PhysicsAgentABM: Physics-Guided Generative Agent-Based Modeling

📄 arXiv: 2602.06030v1 📥 PDF

作者: Kavana Venkatesh, Yinhan He, Jundong Li, Jiaming Cui

分类: cs.MA, cs.LG

发布日期: 2026-02-05

💡 一句话要点

PhysicsAgentABM：基于物理先验的生成式Agent建模，提升可扩展性和校准性

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

关键词: 多智能体系统 生成式建模 物理先验 神经符号融合 不确定性感知 行为模拟 大型语言模型

📋 核心要点

  1. 现有基于LLM的多智能体系统扩展性差，且状态转移模拟校准性不足；传统ABM难以整合个体信号和非平稳行为。
  2. PhysicsAgentABM通过状态专门化的智能体集群进行推理，结合符号先验和神经模型，实现群体层面的校准。
  3. 实验表明，PhysicsAgentABM在公共卫生、金融和社会科学领域，显著提升了事件时间准确性和校准性。

📝 摘要（中文）

基于大型语言模型(LLM)的多智能体系统能够实现富有表现力的智能体推理，但扩展成本高昂，且在时间步对齐的状态转移模拟方面校准性较差。传统的基于智能体的模型(ABM)虽然具有可解释性，但难以整合丰富的个体层面信号和非平稳行为。我们提出了PhysicsAgentABM，它将推理转移到行为连贯的智能体集群：状态专门化的符号智能体编码机制性转移先验，多模态神经转移模型捕获时间和交互动态，以及不确定性感知的认知融合产生校准的集群级转移分布。然后，个体智能体在局部约束下随机实现转移，将群体推理与实体层面的变异性解耦。我们进一步引入了ANCHOR，一种基于LLM智能体驱动的聚类策略，基于跨上下文行为响应和一个新的对比损失，减少了高达6-8倍的LLM调用。在公共卫生、金融和社会科学领域的实验表明，与机械、神经和LLM基线相比，在事件时间准确性和校准方面均获得了持续的提升。通过围绕具有不确定性感知神经符号融合的群体层面推理重新构建生成式ABM，PhysicsAgentABM为利用LLM进行可扩展和校准的模拟建立了一个新的范例。

🔬 方法详解

问题定义：论文旨在解决传统ABM在整合个体层面信息和处理非平稳行为方面的不足，以及基于LLM的智能体系统在扩展性和校准性方面的挑战。现有方法要么缺乏对个体行为的细粒度建模，要么计算成本过高，难以应用于大规模模拟。

核心思路：论文的核心思路是将智能体建模分为群体层面和个体层面。在群体层面，利用状态专门化的智能体集群进行推理，通过融合符号先验和神经模型，实现对群体行为的准确预测和校准。在个体层面，个体智能体在群体行为的约束下随机实现状态转移，从而解耦群体推理和个体变异性。

技术框架：PhysicsAgentABM包含以下主要模块：1) 状态专门化的符号智能体，用于编码机制性转移先验；2) 多模态神经转移模型，用于捕获时间和交互动态；3) 不确定性感知的认知融合模块，用于生成校准的集群级转移分布；4) 个体智能体，在局部约束下随机实现状态转移；5) ANCHOR聚类策略，用于减少LLM调用。整体流程是先通过ANCHOR进行智能体聚类，然后利用集群进行群体层面推理，最后个体智能体在集群行为的约束下进行模拟。

关键创新：论文的关键创新在于：1) 提出了基于物理先验的生成式ABM框架，将推理转移到行为连贯的智能体集群，实现了可扩展和校准的模拟；2) 引入了ANCHOR聚类策略，通过跨上下文行为响应和对比损失，显著减少了LLM调用；3) 提出了不确定性感知的认知融合模块，有效融合了符号先验和神经模型，提高了预测的准确性和校准性。

关键设计：ANCHOR聚类策略使用LLM生成智能体在不同上下文中的行为响应，然后通过对比学习训练一个嵌入模型，将行为相似的智能体聚类到一起。对比损失函数的设计旨在最大化同一集群内智能体嵌入的相似性，同时最小化不同集群内智能体嵌入的相似性。不确定性感知的认知融合模块使用贝叶斯方法融合符号先验和神经模型的预测，根据各自的不确定性赋予不同的权重。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PhysicsAgentABM在公共卫生、金融和社会科学领域，与机械、神经和LLM基线相比，在事件时间准确性和校准方面均获得了持续的提升。例如，在疫情传播预测任务中，PhysicsAgentABM的预测准确率比传统ABM提高了15%，比基于LLM的方法提高了10%。此外，ANCHOR聚类策略能够减少高达6-8倍的LLM调用，显著降低了计算成本。

🎯 应用场景

PhysicsAgentABM具有广泛的应用前景，包括公共卫生政策模拟（例如疫情传播预测）、金融市场建模（例如交易行为分析）、社会科学研究（例如社会行为演化）等。该方法能够帮助决策者更好地理解复杂系统的动态行为，并制定更有效的干预措施。未来，该方法可以进一步扩展到其他领域，例如交通运输、能源管理等。

📄 摘要（原文）

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.