물리 기반 생성형 에이전트 기반 모델링

초록

본 논문은 대규모 언어 모델(LLM) 기반 다중 에이전트 시뮬레이션의 비용과 캘리브레이션 문제를 해결하고자, 에이전트를 행동적으로 일관된 클러스터로 묶어 군집 수준에서 추론하는 PhysicsAgentABM 프레임워크를 제안한다. 기계적 전이 사전과 멀티모달 신경 전이 모델을 결합하고, 불확실성을 고려한 에피스테믹 융합을 통해 캘리브레이션된 전이 분포를 생성한다. 또한 LLM을 활용한 ANCHOR 클러스터링 기법으로 LLM 호출 횟수를 6~8배 절감한다. 공중보건, 금융, 사회과학 분야 실험에서 시간 정확도와 캘리브레이션 모두 기존 방법보다 우수함을 입증한다.

상세 분석

PhysicsAgentABM은 전통적인 ABM의 해석 가능성과 LLM 기반 생성형 모델의 풍부한 표현력을 결합한 하이브리드 아키텍처를 제시한다. 핵심 아이디어는 개별 에이전트가 아닌 행동적으로 유사한 에이전트 클러스터에 대해 확률적 전이 사전(prior)을 추정하고, 이를 개별 에이전트가 로컬 제약 하에 샘플링하도록 하는 것이다. 클러스터 내부에서는 두 개의 상보적 경로가 동작한다. 첫 번째는 상태‑특화 심볼릭 에이전트가 도메인 물리법칙과 정책·뉴스·규칙 등 외부 요인을 이용해 메커니즘 기반 전이 위험도(λ_sym)를 계산하고, 그 불확실성(u_sym)을 추정한다. 두 번째는 멀티모달 신경망이 그래프 임베딩, 시계열, 정형 데이터 등을 통합해 신경 전이 위험도(λ_neu)와 불확실성(u_neu)를 출력한다. 두 위험도는 경량 MLP가 학습한 신뢰도 가중치(c_sym, c_neu)를 이용해 에피스테믹 융합(Fuse)되어 캘리브레이션된 전이 분포 λ_fused를 만든다. 이 과정은 베이지안 관점에서 서로 다른 epistemic source를 명시적으로 모델링한다는 점에서 의미가 크다.

클러스터링 단계인 ANCHOR는 세 단계로 구성된다. ① 구조‑시맨틱 초기화에서는 GRAPHSAGE 기반 임베딩과 속성을 결합해 스펙트럴 클러스터링으로 거친 군집을 만든다. ② 행동 모티프 탐색에서는 도메인‑특정 미니‑시뮬레이션을 실행해 에이전트별 행동 트레이스(상황, 추론, 행동)를 수집하고, 이를 임베딩·클러스터링해 행동 모티프 집합을 도출한다. ③ 앵커‑가이드 대조 정제에서는 각 거친 군집에서 모티프 빈도 프로파일이 평균에 가장 가까운 앵커 에이전트를 선택하고, LLM을 이용해 앵커와 다른 에이전트 간의 규제 일치도를 q_ij로 추정한다. 이후 대조 손실과 KL 정규화를 결합한 목표함수(L)로 클러스터를 미세 조정한다. 이 설계는 전통적인 구조 중심 클러스터링이 놓치는 행동 의미와 전이 일관성을 보완한다.

실험에서는 전염병 확산, 주식 시장 변동, 사회적 의견 전파 등 세 분야의 공개 데이터셋을 사용해 기존 메카니즘 ABM, 순수 신경망 기반 모델, 그리고 LLM‑기반 GABM과 비교하였다. 평가 지표는 이벤트 발생 시점 정확도와 예측 분포의 캘리브레이션(예: Expected Calibration Error)이다. PhysicsAgentABM은 전반적으로 512%의 시점 정확도 향상과 3045%의 캘리브레이션 오류 감소를 기록했으며, 특히 장기 시뮬레이션에서 시간 정합성이 크게 개선되었다. 또한 ANCHOR를 적용한 경우 LLM 호출 횟수가 평균 7배 감소하면서도 클러스터 품질이 유지되는 것을 확인했다.

한계점으로는 클러스터 수 M을 사전에 지정해야 하는 점과, 앵커 선택 및 대조 학습 과정에서 LLM 프롬프트 설계가 성능에 민감하다는 점을 들 수 있다. 또한 복잡한 비선형 상호작용이 강한 시스템에서는 신경 경로가 과도하게 지배할 위험이 존재한다. 향후 연구에서는 자동 클러스터 수 추정, 프롬프트 자동 최적화, 그리고 강화학습 기반 정책 업데이트를 통합해 동적 환경 적응성을 높이는 방향을 제안한다.