정책 수립 보조 도구로서의 거대 언어 모델 에이전트를 활용한 조율된 팬데믹 제어

Coordinated Pandemic Control with Large Language Model Agents as Policymaking Assistants

효과적인 팬데믹 제어를 위해서는 본질적으로 상호 의존적인 행정 구역 전반에 걸쳐 시의적절하고 조율된 정책 수립이 필요하다. 그러나 인간 주도의 대응은 종종 파편화되고 사후 반응적인 경향이 있으며, 정책이 고립된 상태에서 수립되고 발병이 확산된 후에야 조정되므로 선제적 개입과 전 세계적인 팬데믹 완화를 저해한다. 이러한 문제를 해결하기 위해, 본 연구에서는 지역 간의 조율되고 선제적인 팬데믹 제어를 지원하는 거대 언어 모델(LLM) 기반 다중 에이전트 정책 수립 프레임워크를 제안한다. 이 프레임워크 내에서 각 행정 구역에는 AI 정책 수립 보조자로서 LLM 에이전트가 배정된다. 이 에이전트는 타 에이전트와 소통하여 지역 간 상호 의존성을 고려하는 동시에 지역별 역학적 변동 추이를 추론한다. 실세계 데이터, 팬데믹 진화 시뮬레이터, 구조화된 에이전트 간 통신을 통합함으로써, 우리의 프레임워크는 에이전트들이 폐루프(closed-loop) 시뮬레이션 과정을 통해 반사실적(counterfactual) 개입 시나리오를 공동으로 탐색하고 조율된 정책 결정을 종합할 수 있도록 한다. 우리는 2020년 4월부터 12월 사이의 미국 주(state) 단위 COVID-19 데이터와 실제 이동 기록 및 관찰된 정책 개입 사례를 사용하여 제안된 프레임워크를 검증한다. 실제 팬데믹 결과와 비교했을 때, 우리의 접근 방식은 개별 주 차원에서 누적 감염자 수와 사망자 수를 각각 최대 63.7%와 40.1% 감소시켰으며, 전체 주를 합산했을 때는 각각 39.0%와 27.0% 감소시켰다. 이러한 결과는 LLM 다중 에이전트 시스템이 조율된 정책 수립을 통해 보다 효과적인 팬데믹 제어를 가능하게 할 수 있음을 입증한다...

Effective pandemic control requires timely and coordinated policymaking across administrative regions that are intrinsically interdependent. However, human-driven responses are often fragmented and reactive, with policies formulated in isolation and adjusted only after outbreaks escalate, undermining proactive intervention and global pandemic mitigation. To address this challenge, here we propose a large language model (LLM) multi-agent policymaking framework that supports coordinated and proactive pandemic control across regions. Within our framework, each administrative region is assigned an LLM agent as an AI policymaking assistant. The agent reasons over region-specific epidemiological dynamics while communicating with other agents to account for cross-regional interdependencies. By integrating real-world data, a pandemic evolution simulator, and structured inter-agent communication, our framework enables agents to jointly explore counterfactual intervention scenarios and synthesize coordinated policy decisions through a closed-loop simulation process. We validate the proposed framework using state-level COVID-19 data from the United States between April and December 2020, together with real-world mobility records and observed policy interventions. Compared with real-world pandemic outcomes, our approach reduces cumulative infections and deaths by up to 63.7% and 40.1%, respectively, at the individual state level, and by 39.0% and 27.0%, respectively, when aggregated across states. These results demonstrate that LLM multi-agent systems can enable more effective pandemic control with coordinated policymaking...