GASim: 그래프 가속 기반 하이브리드 프레임워크를 활용한 사회 시뮬레이션

GASim: A Graph-Accelerated Hybrid Framework for Social Simulation

대규모 사회 시뮬레이션은 복잡한 사회 현상을 연구하는 데 필수적입니다. 기존 연구에서는 시뮬레이션의 확장성을 높이기 위해, 대규모 언어 모델(LLM) 기반 에이전트와 수치 기반 에이전트 모델(ABM)을 결합하는 하이브리드 방법을 사용합니다. 그러나 이 방법은 메모리 접근 및 순차적인 ABM 실행으로 인해 높은 지연 시간을 초래합니다. 이러한 문제를 해결하기 위해, 본 연구에서는 대규모 사회 시뮬레이션을 위한 그래프 가속 기반 하이브리드 멀티 에이전트 프레임워크인 GASim을 제안합니다. LLM 기반 에이전트의 경우, GASim은 Graph-Optimized Memory (GOM)를 도입하여, 복잡한 LLM 기반 검색 파이프라인을 경량화된 희소 메모리 그래프를 이용한 전파 방식으로 대체합니다. 일반 에이전트의 경우, GASim은 Graph Message Passing (GMP)를 사용하여, 순차적인 ABM 실행을 세분화된 특징 집계 및 그래프 어텐션 네트워크를 이용한 병렬 업데이트로 대체합니다. 또한, 정보 엔트로피를 활용하여 정보가 다양한 지역에 위치한 핵심 에이전트를 동적으로 식별하는 Entropy-Driven Grouping (EDG)을 도입하여 이러한 하이브리드 파티셔닝을 조율합니다. 광범위한 실험 결과, GASim은 기존 하이브리드 프레임워크에 비해 9.94배의 성능 향상을 제공하며, 기준 모델 대비 20% 미만의 토큰을 사용하여 비용을 절감하면서도 실제 사회 현상 및 여론 추세와의 높은 일관성을 유지합니다. 본 연구의 코드는 https://github.com/Jasmine0201/GASim 에서 확인할 수 있습니다.

Large-scale social simulators are essential for studying complex social patterns. Prior work explores hybrid methods to scale up simulations, combining large language models (LLM)-based agents with numerical agent-based models (ABM). However, this incurs high latency due to expensive memory retrieval and sequential ABM execution. To address this challenge, we propose GASim, a graph-accelerated hybrid multi-agent framework for large-scale social simulations. For core agents driven by LLM, GASim introduces Graph-Optimized Memory (GOM) to replace intensive LLM-based retrieval pipelines with lightweight propagation over a sparse memory graph. For the majority of ordinary agents, GASim employs Graph Message Passing (GMP), substituting sequential ABM execution with parallel updates by fine-grained feature aggregation and Graph Attention Network. We further introduce Entropy-Driven Grouping (EDG) that coordinates this hybrid partitioning, leveraging information entropy to dynamically identify emergent core agents situated in information-diverse neighborhoods. Extensive experiments show that GASim not only delivers a substantial 9.94-fold end-to-end speedup over the traditional hybrid framework but also consumes less than 20% of baseline tokens, significantly reducing costs while preserving strong alignment with real-world public opinion trends. Our code is available at https://github.com/Jasmine0201/GASim.