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，可以在各个学科中探索复杂系统。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交互来模拟复杂的系统动力学。ABM的优势在于它的自下而上的方法，通过对系统的个体组成部分的行为建模来揭示 emergent phenomena。然而，ABM也有自己的一套挑战，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中来超越这些界限。这种融合产生了一种新的框架，智能代理建模（SABM）。建立在智能代理的概念之上——这些实体具有智能、适应性和计算能力的特征——我们探索利用LLM驱动的代理来模拟具有更高细节和真实性的真实场景。在这个全面的探索中，我们阐述了ABM的现状，介绍了SABM的潜力和方法，提出了三个案例研究（源代码可在 https://github.com/Roihn/SABM 找到），展示了SABM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，并预计其应用领域将更加广泛。通过这个努力，我们希望重新定义计算机模拟的界限，实现对复杂系统更深入的理解。

论文试图将大语言模型应用于智能代理模型，以解决代理模型难以建模自然语言指令和常识的问题，从而提高模拟真实世界场景的准确性和细节。

将大语言模型（如GPT）集成到代理模型中，形成智能代理模型（SABM），通过智能代理的智能、适应性和计算能力，提高模拟真实世界场景的准确性和细节。

论文提出了智能代理模型（SABM），并在三个案例中展示了其有效性。论文还提出了未来SABM的研究方向，并公开了源代码。

最近的相关研究包括基于代理模型的其他研究，以及大语言模型的应用研究，例如《GPT-3：语言模型的新里程碑》和《大规模预训练语言模型在自然语言处理中的应用》。