エージェントベースモデリングにおけるLLM駆動の推論
研究者らは、エージェントベースモデリング（ABM）における人間の意思決定を予測するために大規模言語モデル（LLM）を活用するスケーラブルなHybrid Agent-based and Language-driven Epidemic（HALE）モデリングフレームワークを提案し、ユタ州ソルトレイク郡でのCOVID-19シミュレーションを概念実証として行った。
人工知能分野において、エージェントベースモデリング（ABM）は、数百万人の個人とその相互作用をモデル化する強力なシミュレーション技術であり、政策立案や感染症の伝播シミュレーションなどに広く利用されています。しかし、従来のABMは静的な事前分布に依存しており、モデルが一度構築されるとパラメータや行動ルールが固定され、現実世界の急速な変化に適応することが困難です。この限界は、COVID-19パンデミックのような緊急事態において特に顕著であり、ウイルスの伝播方法、政策介入の効果、人間の行動の変化は常に変動しています。
この情報ギャップに対処するため、ユタ大学などの研究チームは、大規模言語モデル（LLM）を利用して人間の意思決定を予測・シミュレーションする革新的なアプローチを提案しました。LLMは自然言語の理解、推論、生成において驚異的な能力を示しており、人間の行動を動的に予測する理想的なツールです。研究チームは、Hybrid Agent-based and Language-driven Epidemic（HALE）と呼ばれるスケーラブルなフレームワークを導入しました。HALEはLLMをABMシミュレーションに統合し、テキストデータ、ニュース記事、ソーシャルメディア情報などをリアルタイムで分析することで、個々のエージェントの行動決定を動的に調整し、従来のABMの静的欠点を克服します。
概念実証として、研究者らはHALEをユタ州ソルトレイク郡におけるCOVID-19の伝播シミュレーションに適用しました。LLMを用いて個人の行動選択（ソーシャルディスタンスの遵守やワクチン接種の意思など）をシミュレートし、これらの行動をABMにフィードバックすることで、流行の進展をより正確に予測することができました。初期結果は、HALEが従来のモデルでは捉えられなかった行動の変化を捉えることを示しており、公衆衛生上の意思決定を強力に支援します。
この研究は2026年7月にarXivプレプリントプラットフォームに提出され、まだ査読を経ていません。それにもかかわらず、この研究はLLMがABMのリアルタイム適応性を強化する大きな可能性を示しており、感染症モデリングだけでなく、都市交通、金融市場、気候変動適応などの分野への応用も期待されます。今後、研究者らはHALEの効率をさらに最適化し、より大規模で複雑なシナリオへの適用を検討する予定です。この研究はAIとシミュレーションモデリングの融合に新たな方向性を開き、政策シミュレーションを静的分析から動的予測へと変革する可能性を秘めています。