Smart Agent-Based Modeling: On the Use of Large Language Models in Computer Simulations

计算机模拟提供了一个强大的工具集，可以在各个学科领域探索复杂系统。在这个领域中，一个特别有影响力的方法是基于代理的建模（ABM），它利用个体代理之间的相互作用来模拟复杂的系统动态。ABM的优势在于其自下而上的方法，通过对系统的个组成部分建模来揭示新兴现象。然而，ABM也有其自身的挑战，尤其是在数学方程或规则中建模自然语言指令和常识方面的困难。本文旨在通过将大型语言模型（LLM）如GPT集成到ABM中来突破这些界限。这种融合诞生了一种新的框架，智能代理建模（SABM）。在智能代理的概念基础上，我们探索利用LLM驱动的代理来模拟具有更高细节和现实性的真实场景。在这个全面的探索中，我们阐述了ABM的最新技术，介绍了SABM的潜力和方法，提供了三个案例研究（源代码可在https://github.com/Roihn/SABM找到），展示了SABM的方法并验证了其在模拟真实系统方面的有效性。此外，我们展望了SABM未来的几个方面，预期其应用领域的更广阔的视野。通过这个努力，我们希望重新定义计算机模拟的边界，实现对复杂系统更深入的理解。

论文试图通过将大型语言模型与Agent-Based Modeling相结合，解决ABM难以模拟自然语言和常识的问题，以提高模拟真实世界系统的准确性和细致程度。这是一个新问题。

论文的关键思路是将大型语言模型与智能代理相结合，创建智能代理模型，以更准确地模拟真实世界系统的行为和交互。这种方法比传统的ABM方法更加细致和准确。

论文介绍了Smart Agent-Based Modeling（SABM）的方法和实验结果，展示了它在三个真实世界系统的模拟中的有效性。论文还开放了源代码，方便其他研究者进一步研究和应用SABM。值得关注的是，SABM可以应用于各种领域，包括社会科学、生态学、城市规划等。

近期的相关研究包括将机器学习方法应用于ABM的研究，如基于深度强化学习的ABM，以及使用深度学习模型来模拟个体行为的研究，如使用LSTM模型来模拟个体的移动行为。