확장 가능한 LLM 기반 인간 이동 시뮬레이션을 위한 이동성 인식 캐시 프레임워크
Mobility-Aware Cache Framework for Scalable LLM-Based Human Mobility Simulation
대규모 인간 이동 시뮬레이션은 인구 이동 패턴을 이해하고 도시 계획, 유행병 대응, 교통 분석 등 실세계 지리공간 응용을 지원하는 데 근본적이다. 최근 연구들은 구조화된 추론을 사용하여 현실적인 이동 행동을 시뮬레이션하기 위해 대규모 언어 모델(LLM)을 인간 에이전트로 활용하지만, 높은 계산 비용이 확장성을 제한한다. 이에 우리는 재구성 가능한 캐시를 활용하여 효율적인 대규모 인간 이동 시뮬레이션을 가능하게 하는 이동성 인식 캐시 프레임워크 MobCache를 설계한다. MobCache는 (1) 각 추론 단계를 잠재 공간 임베딩으로 인코딩하고 잠재 공간 평가기를 사용하여 추론 단계의 재사용과 재결합을 가능하게 하는 추론 구성요소, (2) 이동 법칙 제약 지식 증류로 학습된 경량 디코더를 사용하여 잠재 공간 추론 연쇄를 자연어로 변환함으로써 충실도를 유지하면서 시뮬레이션 효율을 개선하는 디코딩 구성요소로 구성된다. 실험 결과 MobCache는 최신 LLM 기반 방법과 동등한 수준의 성능을 유지하면서 여러 차원에서 효율성을 크게 향상시킴을 보여준다.