Umeå University's logo

There exists a realism and scalability trade-off in modelling agent-based simulations. As an example, one could create a simpler model with a simpler behavioural model that allows to simulate many agents. However, this simple model can miss important details of the real world. Incorporating these aspects of the real world can increase realism, however, it can come at the cost of scalability. If more aspects of the real world are incorporated into the model, the behavioural model should be tied to these aspects. However, an interdependent behavioural system that considers all information at each time step is usually poorly scalable in terms of deliberative aspects. This poor scalability hinders the expansion of other desirable properties in the model, such as aspects of life and the number of agents.

We propose a context-sensitive deliberation framework that could help increase the scalability of the deliberation without losing behavioural realism. The framework is inspired by Kahneman's concept of thinking fast and thinking slow. On the one hand, it will be capable of fast deliberation that is efficient (scalability). On the other hand, it can sometimes perform slower deliberation that can solve complex situations (behavioural realism). Rather than switching between these two modes, the framework slides, gradually incorporating more information into the deliberation. This is the complexity by need principle. The framework needs to be aware of the context to determine what kind of information to use and what kind of information to deliberate on.

Whether context-sensitive deliberation can increase scalability while retaining realism will be evaluated with a use-case simulation, the Agent-Based Social Simulation of the Coronavirus Crisis (ASSOCC). Context-sensitive deliberation is implemented in the ASSOCC framework. The Original ASSOCC framework is then compared with the context-sensitive ASSOCC variant. The results show that deliberation is no longer the bottleneck, since context-sensitive deliberation achieved a roughly 16-17 times speed-up over the original ASSOCC deliberation model. This speed-up was retained with higher agent numbers, and it can be expected that if deliberation contains more aspects, context-sensitive deliberation will be capable of an even greater speed-up. The behavioural and infection curves were similar between the two models, thus the realism of the model is retained. In conclusion, the work shows that context-sensitive deliberation can increase scalability and retain realism in agent-based simulations.

Inom agentbaserad modellering och simulering finns en inneboende avvägning mellan skalbarhet och realism. Till exempel kan man skapa en simplare modell med en mer simpel beteendemodell, vilket möjliggör simulering av många agenter. En simpel modell kan dock missa viktiga detaljer från den verkliga världen. Att integrera dessa aspekter av verkligheten kan öka realismen, men det kan ske på bekostnad av modellens skalbarheten. Om fler aspekter av verkligheten inkorporeras i modellen, bör beteendemodellen kopplas till dessa aspekter. Ett ömsesidigt beroende beteendesystem som beaktar all information vid varje tidpunkt är dock vanligtvis dåligt skalbart när det gäller deliberativa aspekter. Denna bristande skalbarhet försvårar vidareutvecklingen av andra önskvärda egenskaper i modellen, såsom livsaspekter och antalet agenter.

Vi presenterar ett kontextkänsligt beslutsfattningsramverk som kan bidra till att öka skalbarheten hos beslutsfattningen utan att förlora beteenderealism. Ramverket är inspirerat av Kahneman's system koncept om att tänka snabbt och långsamt. Å ena sidan möjliggör det snabb beslutsfattning som är effektiv (skalbarhet). Å andra sidan kan det ibland utföra ett mer deliberativt beslutsfattande som kan lösa komplexa situationer (beteenderealism). Istället för att växla mellan dessa två lägen, fungerar ramverket med en glidande övergång, där mer information gradvis införlivas i beslutsfattning. Detta kallas för komplexitet-efter-behov-principen. Ramverket måste vara medvetet om kontexten för att kunna avgöra vilken typ av information som ska användas och vad som bör beaktas i beslutsfattning.

Huruvida kontextkänslig beslutsfattning kan öka skalbarheten samtidigt som realismen bibehålls, kommer att utvärderas med hjälp av en användningsfall: Agent-Based Social Simulation of the Coronavirus Crisis (ASSOCC). Ramverket för kontextkänslig beslutsfattning har implementerats i ASSOCC-modellen. Den ursprungliga ASSOCC-modellen jämförs därefter med den kontextkänsliga ASSOCC-varianten. Resultaten visar att beslutsfattning inte längre är flaskhalsen, eftersom kontextkänslig beslutsfattning uppnådde en hastighetsökning på ungefär 16–17 gånger jämfört med det ursprungliga beslutsfattningsmodellen i ASSOCC. Denna hastighetsökning bibehölls vid högre agentantal, och det kan förväntas att om fler aspekter inkluderas i beslutsfattningen, kan kontextkänslig beslutsfattning uppnå ännu större förbättringar. Beteende- och infektionskurvorna var liknande mellan de två modellerna, vilket innebär att modellens realism bevarades. Sammanfattningsvis visar detta arbete att kontextkänslig beslutsfattning kan öka skalbarheten och samtidigt bevara realismen i agentbaserade simuleringar.