GASim: A Graph-Accelerated Hybrid Framework for Social Simulation

📄 arXiv: 2605.07692v1 📥 PDF

作者: Xuan Zhou, Yanhui Sun, Hantao Yao, Allen He, Yongdong Zhang, Wu Liu

分类: cs.AI

发布日期: 2026-05-08

🔗 代码/项目: GITHUB

💡 一句话要点

提出GASim图加速混合框架，通过图神经网络优化大规模社会模拟的计算效率

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 社会模拟 多智能体系统 图神经网络 大语言模型 计算社会科学 图消息传递

📋 核心要点

  1. 现有混合社会模拟框架面临LLM检索开销大、ABM串行执行效率低的问题，难以支撑大规模场景。
  2. GASim通过图优化内存（GOM）和图消息传递（GMP）技术，将复杂的检索与计算转化为图上的高效传播与并行更新。
  3. 实验证明该框架实现了近10倍的加速，显著降低了Token消耗，并能精准捕捉现实世界的社会舆论演化趋势。

📝 摘要（中文）

大规模社会模拟对于研究复杂社会模式至关重要。现有混合方法结合了基于大语言模型（LLM）的智能体与数值化智能体模型（ABM），但因高昂的内存检索成本和串行ABM执行导致延迟严重。为此，本文提出GASim，一种用于大规模社会模拟的图加速混合多智能体框架。对于LLM驱动的核心智能体，GASim引入图优化内存（GOM），以稀疏内存图上的轻量级传播替代高强度的LLM检索流水线；对于普通智能体，GASim采用图消息传递（GMP），通过细粒度特征聚合和图注意力网络实现并行更新，替代串行ABM执行。此外，熵驱动分组（EDG）机制利用信息熵动态识别处于信息多样化邻域中的涌现核心智能体。实验表明，GASim实现了9.94倍的端到端加速，且Token消耗不足基线的20%，在保持与现实舆论趋势高度一致的同时显著降低了成本。

🔬 方法详解

问题定义：论文旨在解决大规模社会模拟中混合智能体架构的计算瓶颈。现有方法在处理大量LLM智能体时，频繁的内存检索导致高延迟；而在处理海量普通智能体时，串行执行的ABM模型无法满足实时性需求。

核心思路：将社会模拟建模为图结构问题。通过图神经网络（GNN）的传播机制替代传统的显式检索与串行逻辑，利用图的拓扑结构高效处理智能体间的交互与信息传递。

技术框架：框架包含三个核心模块：GOM模块负责LLM智能体的记忆管理；GMP模块负责普通智能体的状态并行更新；EDG模块负责根据信息熵动态划分智能体角色，实现计算资源的自适应分配。

关键创新：引入了基于图的计算范式，将社会交互转化为图消息传递过程。核心区别在于将“检索式”交互转变为“传播式”交互，并利用信息熵动态调整计算粒度，实现了计算效率与模拟精度的平衡。

关键设计：GOM利用稀疏图结构降低检索复杂度；GMP采用图注意力网络（GAT）进行特征聚合；EDG通过计算邻域信息熵，识别出具有高影响力或高信息多样性的节点，将其动态升级为核心智能体，从而优化整体计算负载。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，GASim在端到端模拟速度上实现了9.94倍的显著提升。在资源消耗方面，该框架将Token使用量降低至基线方法的20%以下，同时在模拟结果与现实世界公共舆论趋势的对齐度上表现优异，证明了其在保持高保真度的同时实现了极高的计算经济性。

🎯 应用场景

该研究适用于大规模社会科学研究、公共政策模拟、舆情演化分析及复杂系统建模。其高效的模拟能力可助力政府与企业在低成本下预测社会趋势、评估政策影响，并为多智能体系统在城市计算、经济学仿真等领域的应用提供高性能技术支撑。

📄 摘要（原文）

Large-scale social simulators are essential for studying complex social patterns. Prior work explores hybrid methods to scale up simulations, combining large language models (LLM)-based agents with numerical agent-based models (ABM). However, this incurs high latency due to expensive memory retrieval and sequential ABM execution. To address this challenge, we propose GASim, a graph-accelerated hybrid multi-agent framework for large-scale social simulations. For core agents driven by LLM, GASim introduces Graph-Optimized Memory (GOM) to replace intensive LLM-based retrieval pipelines with lightweight propagation over a sparse memory graph. For the majority of ordinary agents, GASim employs Graph Message Passing (GMP), substituting sequential ABM execution with parallel updates by fine-grained feature aggregation and Graph Attention Network. We further introduce Entropy-Driven Grouping (EDG) that coordinates this hybrid partitioning, leveraging information entropy to dynamically identify emergent core agents situated in information-diverse neighborhoods. Extensive experiments show that GASim not only delivers a substantial 9.94-fold end-to-end speedup over the traditional hybrid framework but also consumes less than 20% of baseline tokens, significantly reducing costs while preserving strong alignment with real-world public opinion trends. Our code is available at https://github.com/Jasmine0201/GASim.