Framework HALE Combina LLMs e Simulações Epidemiológicas em Larga Escala

Исследователи представили фреймворк HALE (Hybrid Agent-based and Language-driven Epidemic), который объединяет классическое агентное моделирование с большими языковыми моделями. Система позволяет LLM предсказывать решения миллионов симулируемых людей в реальном времени, адаптируясь к реальным изменениям. На примере COVID-19 в Salt Lake County учёные показали, что гибридный подход может стать инструментом для более точного прогноза в политике.

Проблема: статичные модели

Традиционные агентные модели (ABM) способны симулировать поведение миллионов людей и их взаимодействий — это бесценно для разработки политики. Однако они полагаются на статичные предположения: правила поведения агентов зафиксированы заранее и не меняются.

Во время эпидемии поведение людей меняется радикально. Люди начинают носить маски, избегают скопления, меняют графики работы. Статичная модель не может учитывать эти сдвиги в реальном времени — она застрахована в изначальном сценарии и не может обучаться из новых данных.

Как HALE решает проблему

HALE вставляет LLM в цикл агентного моделирования. Вместо жёсткого кодирования правил поведения, система использует нейросеть для динамического предсказания решений каждого агента. На каждом шаге симуляции LLM анализирует текущий контекст — число инфицированных в районе, уровень общественного страха, доступность вакцин — и предсказывает решение человека: пойдёт ли он в магазин, будет ли соблюдать дистанцирование, согласится ли на вакцинацию.

• Фреймворк использует LLM для прогноза поведения на каждом шаге симуляции
• HALE протестирована на примере COVID-19 в Salt Lake County, Utah
• Система адаптируется к реальным данным, а не следует предписанному сценарию
• Масштабируется на миллионы агентов

Почему это важно для политики

Эпидемиологические модели используют правительства для принятия решений о карантине, вакцинации и вмешательстве. Если модель неточна, политика может нанести ненужный вред или оказаться неэффективной.

HALE повышает точность за счёт адаптивности. Система не просто следует плану, а изменяется по мере появления новых данных и реакции населения. Исследователи показали на примере COVID-19 в Salt Lake County, что HALE отражает реальную динамику инфекции и поведенческих сдвигов лучше, чем статичные модели.

Это особенно важно для быстрого реагирования: если политики получают более точный прогноз, они могут скорректировать меры раньше, чем распространится волна инфекции.

Что это значит

Гибридный подход показывает, что LLM могут быть не просто инструментом анализа, но активным компонентом самих симуляций. Если HALE работает на эпидемиях, её можно применить к другим кризисам: экономическим потрясениям, социальным конфликтам, стихийным бедствиям. Это откроет новый класс моделей — живых, адаптивных и управляемых нейросетями.