Physics of Agents: Statistical Mechanics Predicts Collective Behavior of AI Agents

서로 대화하며 의견을 바꾸는 LLM 에이전트 집단의 행동을 통계역학(이징 모델)으로 예측하고 설명한 논문이다.

이 논문은 한마디로 '대화하는 AI 에이전트 무리의 의견이 어떻게 흘러가는지'를 물리학의 통계역학으로 설명하고 예측한 연구다. 약 1만 개의 LLM 에이전트 커뮤니티를 시뮬레이션해, 각자 페르소나를 갖고 수학 문제(객관)나 정치 명제(주관)에 대해 여러 라운드 메시지를 주고받게 했다. 집단은 무관심·양극화·합의의 3가지 양상으로 깔끔히 정리됐고, 상호작용이 진행될수록 확신은 강해졌다. 객관 문제에서는 소통이 집단 정확도를 높였지만, 주관 명제에서는 의견이 정치 스펙트럼의 우측으로 이동하는 계통적 드리프트가 나타났다. 저자들은 각 에이전트의 의견을 스핀(자석의 방향)처럼 보고, 사회적 압력을 낮추는 방향으로 의견을 바꾼다는 이징 모델 확장을 만들었다. 초기 의견만 주어도 개별 궤적과 집단 분포를 예측했고, 예측력은 모든 표준 기준을 이겼으며 한 번도 안 본 네트워크 구조로도 일반화됐다.

핵심 요약

• 약 10,000개 에이전트 커뮤니티(객관 수학 문제+주관 정치 명제)를 시뮬레이션하고 개인·집단 궤적 데이터를 공개했다.
• 집단 행동이 무관심·양극화·합의 3개 체제로 압축되고, 상호작용이 확신을 키우며 질서 있는 상태로 이끈다는 걸 발견했다.
• 객관 질문에서는 소통이 집단 정확도를 높인다. 처음에 틀린 다수가 정답으로 바뀌는 비율이 처음에 맞은 다수가 틀리는 비율보다 크다. 주관 질문에서는 우측 이동 같은 계통적 편향 드리프트가 생긴다.
• 이징 모델 확장(고유 장+상호작용 항)이 초기 의견만으로 개별 궤적을 예측해 모든 표준 기준을 능가하고, 안 본 커뮤니티 그래프로 일반화된다.
• 피팅된 파라미터가 관찰을 설명한다. 임계 온도 이하(확신 축적), 인화적 유대가 반목 유대보다 강함(합의 선호), 정답 보유자의 인력이 가장 강함(진실 추구).

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.