SOCIA-EVO: 이중 고정 진화적 프레임워크를 이용한 자동 시뮬레이터 구축

SOCIA-EVO: Automated Simulator Construction via Dual-Anchored Bi-Level Optimization

자동 시뮬레이터 구축은 일반적인 코드 생성과 달리 분포적 충실도가 요구됩니다. 우리는 장기적인 LLM 에이전트에서 발생하는 두 가지 문제점을 파악했습니다. 바로 문맥적 편향과 구조적 오류와 매개변수 오류를 혼동하여 발생하는 최적화 불안정성입니다. 우리는 이중 고정 진화적 프레임워크인 SOCIA-EVO를 제안합니다. SOCIA-EVO는 다음과 같은 특징을 갖습니다: (1) 실증적 제약을 강제하는 정적 청사진, (2) 구조적 개선과 매개변수 보정을 분리하는 양층 최적화, (3) 베이즈 가중 검색을 통해 개선 방안을 관리하는 자체 관리 전략 플레이북. SOCIA-EVO는 실행 피드백을 통해 비효율적인 전략을 반증함으로써 견고한 수렴을 달성하며, 관측 데이터와 통계적으로 일관된 시뮬레이터를 생성합니다. SOCIA-EVO의 코드와 데이터는 다음 위치에서 확인할 수 있습니다: https://github.com/cruiseresearchgroup/SOCIA/tree/evo.

Automated simulator construction requires distributional fidelity, distinguishing it from generic code generation. We identify two failure modes in long-horizon LLM agents: contextual drift and optimization instability arising from conflating structural and parametric errors. We propose SOCIA-EVO, a dual-anchored evolutionary framework. SOCIA-EVO introduces: (1) a static blueprint to enforce empirical constraints; (2) a bi-level optimization to decouple structural refinement from parameter calibration; and (3) a self-curating Strategy Playbook that manages remedial hypotheses via Bayesian-weighted retrieval. By falsifying ineffective strategies through execution feedback, SOCIA-EVO achieves robust convergence, generating simulators that are statistically consistent with observational data. The code and data of SOCIA-EVO are available here: https://github.com/cruiseresearchgroup/SOCIA/tree/evo.