論文の概要: PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling

• arxiv url: http://arxiv.org/abs/2602.06030v1
• Date: Thu, 05 Feb 2026 18:59:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:09.149068
• Title: PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling
• Title（参考訳）: PhysicsAgentABM:物理誘導型生成エージェントベースモデリング
• Authors: Kavana Venkatesh, Yinhan He, Jundong Li, Jiaming Cui,
• Abstract要約: 大規模言語モデル(LLM)に基づくマルチエージェントシステムでは,表現的エージェント推論が可能であるが,拡張性は高く,時間段階整合状態遷移シミュレーションではキャリブレーションが不十分である。 本研究では,推論を行動コヒーレントなエージェントクラスタにシフトさせる物理AgentABMを提案する。 公衆衛生、ファイナンス、社会科学における実験は、機械的、神経的、LLMベースラインに対する事象時の精度と校正において一貫した利得を示している。
• 参考スコア（独自算出の注目度）: 47.029742241618635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM)-based multi-agent systems enable expressive agent reasoning but are expensive to scale and poorly calibrated for timestep-aligned state-transition simulation, while classical agent-based models (ABMs) offer interpretability but struggle to integrate rich individual-level signals and non-stationary behaviors. We propose PhysicsAgentABM, which shifts inference to behaviorally coherent agent clusters: state-specialized symbolic agents encode mechanistic transition priors, a multimodal neural transition model captures temporal and interaction dynamics, and uncertainty-aware epistemic fusion yields calibrated cluster-level transition distributions. Individual agents then stochastically realize transitions under local constraints, decoupling population inference from entity-level variability. We further introduce ANCHOR, an LLM agent-driven clustering strategy based on cross-contextual behavioral responses and a novel contrastive loss, reducing LLM calls by up to 6-8 times. Experiments across public health, finance, and social sciences show consistent gains in event-time accuracy and calibration over mechanistic, neural, and LLM baselines. By re-architecting generative ABM around population-level inference with uncertainty-aware neuro-symbolic fusion, PhysicsAgentABM establishes a new paradigm for scalable and calibrated simulation with LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)ベースのマルチエージェントシステムは、表現的エージェント推論を可能にするが、拡張性が高く、タイムステップ整合状態遷移シミュレーションのキャリブレーションが不十分である一方、古典的エージェントベースモデル(ABM)は解釈可能性を提供するが、リッチな個別レベル信号と非定常動作を統合するのに苦労する。 状態特異化シンボリックエージェントは機械的遷移を符号化し、マルチモーダル・ニューラル・トランジション・モデルは時間的および相互作用のダイナミクスを捉え、不確実性に認識されたエピステミック融合はクラスタレベルの遷移分布をキャリブレーションする。 個々のエージェントは、局所的な制約の下での遷移を確率的に実現し、個体レベルの変動から人口推定を分離する。 さらに,LLMエージェントによるクラスタリング戦略であるANCHORを導入し,LLM呼び出しを最大6～8倍に削減する。 公衆衛生、ファイナンス、社会科学における実験は、機械的、神経的、LLMベースラインに対する事象時の精度と校正において一貫した利得を示している。 人口レベルの推測と不確実性を考慮したニューロシンボリックフュージョンによる生成的ABMの再構築により、物理AgentABMはLSMを用いたスケーラブルでキャリブレーションされたシミュレーションのための新しいパラダイムを確立した。

関連論文リスト

• Benchmarking neural surrogates on realistic spatiotemporal multiphysics flows [18.240532888032394]
  我々は、困難でアプリケーション駆動のリアクティブフローでニューラルネットワークサロゲートをテストするために設計された厳格なベンチマークフレームワークであるREALM(Realistic AI Learning for Multiphysics)を提案する。 我々は、スペクトル演算子、畳み込みモデル、トランスフォーマー、ポイントワイド演算子、グラフ/メッシュネットワークを含む、12以上の代表代理モデルファミリをベンチマークする。 i)次元性、剛性、メッシュの不規則性によって共同で管理されるスケーリング障壁により、ロールアウトエラーが急速に増加すること、(ii)パラメータカウントよりもアーキテクチャ上の帰納バイアスによって主に制御されるパフォーマンス、(iii)精度の指標と物理的にの間にある永続的なギャップ、の3つの頑健な傾向を識別する。
  論文  参考訳（メタデータ） (2025-12-21T05:04:13Z)
• Norm-Governed Multi-Agent Decision-Making in Simulator-Coupled Environments:The Reinsurance Constrained Multi-Agent Simulation Process (R-CMASP) [0.0]
  マルチエージェントの協調を統括するドメイン校正された合成環境が,決定論的自動化よりも安定的で一貫性があり,規範に順応した行動をもたらすことを示す。 その結果, 制御されたシミュレータ駆動型意思決定環境は, 規範的, シミュレータ結合型マルチエージェントシステムとしてモデル化されていることが示唆された。
  論文  参考訳（メタデータ） (2025-12-04T10:30:26Z)
• Integrating LLM and Diffusion-Based Agents for Social Simulation [28.21329943306884]
  本稿では,大規模言語モデルに基づくエージェントと拡散モデルに基づくエージェントを戦略的に統合するハイブリッドシミュレーションフレームワークを提案する。 本フレームワークは,既存手法の予測精度を向上し,モジュール設計の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-18T06:23:22Z)
• GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
  我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。 我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。 我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
  論文  参考訳（メタデータ） (2024-10-06T05:02:23Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• The Gradient Convergence Bound of Federated Multi-Agent Reinforcement Learning with Efficient Communication [20.891460617583302]
  連立学習パラダイムにおける協調的意思決定のための独立強化学習(IRL)の検討 FLはエージェントとリモート中央サーバ間の過剰な通信オーバーヘッドを生成する。 本稿では,システムの実用性向上のための2つの高度な最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-03-24T07:21:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。