[Paper] PhysicsAgentABM：物理引导的生成式基于代理的建模

Source: arXiv - 2602.06030v1

概览

PhysicsAgentABM 提出了一种新颖的方法，将经典基于代理的模型（ABM）的可解释性与大语言模型（LLM）代理的表达能力相结合。通过将繁重的推理工作从单个实体转移到 行为一致的簇，作者实现了既 可扩展 又 校准良好 的仿真——这一直是开发者在公共卫生、金融和社会科学等领域构建大规模、时间对齐仿真时的长期痛点。

关键贡献

• Cluster‑centric inference: 引入符号化的“状态专用”代理，编码机制先验，使系统能够对代理群体而非每个单独实体进行推理。
• Neuro‑symbolic transition model: 多模态神经网络学习时间和交互动态，符号先验注入领域知识，产生校准的转移分布。
• Epistemic fusion layer: 以不确定性感知的方式融合神经预测和符号先验，提升每个簇下一状态的置信估计。
• ANCHOR clustering algorithm: 一种由 LLM 驱动、基于对比损失的方法，利用跨上下文行为响应对代理进行分组，将 LLM API 调用次数降低 6–8×。
• Broad empirical validation: 在公共卫生疫情建模、金融市场仿真和社会行为研究等方面进行广泛实证验证，显示出相较于纯机制、纯神经和纯 LLM 基线的更高事件时间准确性和校准性。

方法论

1. 定义符号簇代理 – 对于每个高层状态（例如 “susceptible”、 “infected”、 “trader‑bullish”），一个轻量级符号代理存储一个 机制转移先验（类似于一个简单的基于规则的概率表）。
2. 学习多模态神经转移模型 – 神经网络摄取时间序列数据、交互图以及任何可用的文本/上下文线索，以预测簇在下一个时间步的演化。
3. 认知融合 – 将神经网络输出与符号先验使用贝叶斯式融合相结合，考虑每个来源的不确定性，生成簇的下一个状态的校准概率分布。
4. 在个体层面的随机实现 – 一旦簇级分布确定，每个个体代理在遵守局部约束（例如容量限制、资源可用性）的前提下自行抽样其转移。
5. ANCHOR 聚类 – 在每一次聚类轮次中仅调用一次 LLM，以生成代理的行为描述符。对比损失将具有相似描述符的代理对齐，形成簇，而无需在每个时间步都重复调用 LLM。

整体流水线将 人口层面推断（成本高但执行稀疏）与 实体层面变异性（成本低的随机抽样）解耦，从而显著降低计算开销。

结果与发现

• 事件时间准确性（RAE = 相对绝对误差）比最强基线提升约 15–20%。
• 校准（更低的 Brier 得分）表明模型的概率估计更为可靠，这是决策系统的关键因素。
• LLM 调用减少：ANCHOR 将昂贵的 LLM API 调用次数降低了 6–8 倍，且不牺牲聚类质量。

Practical Implications

• 可扩展的仿真 – 开发者现在可以在普通的云资源上运行大规模的 ABM（例如全市范围的疾病模型或全市场的交易者仿真），因为繁重的 LLM 推理仅限于集群更新。
• 更好的决策支持 – 校准后的概率意味着风险感知系统（例如公共卫生仪表盘、自动交易机器人）可以信任模型的置信水平，从而产生更稳健的警报和行动。
• 快速原型设计 – ANCHOR 工作流让产品团队能够在不产生高额成本的情况下尝试 LLM 增强的行为定义，加速政策仿真或“假设情景”分析的迭代周期。
• 混合 AI 架构 – 神经符号融合模式可以迁移到其他领域（机器人、物联网、游戏 AI），在这些领域中领域规则与数据驱动的动态共存。

限制与未来工作

• 集群粒度权衡 – 过度激进的聚类可能隐藏重要的异质性；论文指出需要自适应粒度机制。
• 领域知识依赖 – 符号先验需要专家输入；自动化先验提取仍是一个未解决的挑战。
• 真实场景部署测试 – 实验仅限于基准数据集；建议进行现场试验（例如实时疫情预测）以进行未来验证。
• 扩展到连续状态空间 – 当前的表述侧重于离散状态；将融合框架扩展到连续动力学是一个有前景的方向。

作者

• Kavana Venkatesh
• Yinhan He
• Jundong Li
• Jiaming Cui

论文信息

• arXiv ID: 2602.06030v1
• 分类: cs.MA, cs.LG
• 发表时间: 2026年2月5日
• PDF: 下载 PDF