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

计算机模拟为探索各个学科中的复杂系统提供了强大的工具集。在这个领域中，一种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，通过模拟系统的个体组成部分的行为来阐明出现的现象。然而，ABM也有其自身的一系列挑战，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（LLMs）如GPT集成到ABM中来超越这些界限。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——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现实场景。在这个全面的探索中，我们阐明了ABM的现状，介绍了SABM的潜力和方法，并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方法并验证了其在建模现实系统方面的有效性。此外，我们展望了SABM未来的几个方面，预见其应用的更广阔的前景。通过这个努力，我们希望重新定义计算机模拟的界限，实现对复杂系统的更深入理解。

论文试图将大型语言模型（LLMs）如GPT与Agent-Based Modeling（ABM）相结合，创建一个新的框架Smart Agent-Based Modeling（SABM），以解决ABM难以建模自然语言指令和常识的问题。论文旨在探索利用LLM-powered agents模拟现实场景的潜力和方法。

论文的关键思路是将LLMs嵌入到ABM中，以创建智能代理。这些代理具有智能、适应性和计算能力，可以模拟现实世界中的复杂系统，并提高模拟的细节和现实感。

论文提供了三个案例研究来验证SABM的有效性，并提供了源代码。实验结果表明，SABM可以更准确地模拟现实世界中的复杂系统。论文还探讨了SABM未来的应用前景，并提出了一些值得深入研究的问题。

近期相关研究包括使用LLMs来模拟自然语言对话和生成文本，以及使用ABM来模拟复杂系统。相关论文包括《GPT-3: Language Models are Few-Shot Learners》和《Agent-Based Modeling and Simulation of Complex Systems: A Survey》。