How Affect Propagates among LLM Agents: Emergent Emotional Contagion in Crowd Simulation

기술 요약: LLM 에이전트 간의 정동(Affect) 전파 방식

문제 제기
본 논문은 대규모 언어 모델(LLM)에 의해 구동되는 다중 에이전트 시스템 내에서 발생하는 정서적 전염(emotional contagion)의 창발적 역학을 조사한다. LLM 사회는 인간 행동을 모델링하고 집단 현상을 연구하는 데 사용되어 왔으나, 하드코딩된 전이 규칙 없이 에이전트 간에 정동이 전파되는 구체적인 메커니즘은 아직 충분히 탐구되지 않았다. 저자들은 에이전트의 지각, 평가 및 표현에 의해 매개되는 국소적 상호작용이 역동적인 군중 시뮬레이션 내에서 공황(panic)이나 기쁨(joy)과 같은 일관된 공간적, 시간적, 성향적 정동 전파 패턴을 생성할 수 있는지에 대한 질문을 다룬다.

방법론
저자들은 고차원 인지 처리와 저차원 물리 제어를 분리하는 하이브리드 아키텍처를 제안한다:

• 인지 계층(Cognitive Layer): 각 에이전트는 인지적 평가, 내부 정서 상태 업데이트, 외부 표현 선택을 관장하는 LLM 기반의 "마음"을 가진다. 에이전트의 내부 상태는 다음과 같이 정의된다:
  • 성격(Personality): Big Five (OCEAN) 모델을 통해 표현됨.
  • 감정(Emotion): 러셀의 원형 모델(Russell's circumplex model)을 사용하여 발렌스(Valence, 정서가)와 각성(Arousal, 각성도)으로 인코딩됨.
  • 기억(Memory): 두드러진 사건들을 담은 단기 롤링 큐(rolling queue).
• 지각-평가-표현 루프(Perception-Appraisal-Expression Loop): 에이전트는 시각, 청각, 촉각 채널을 통해 이웃을 지각한다. LLM은 이러한 입력값을 에이전트의 성격, 기억 및 맥락에 비추어 평가하여 내부 상태를 업데이트하고 표현(얼굴, 몸짓, 음성 및 움직임)을 선택한다.
• 물리 계층(Physical Layer): 전통적인 Unity 군중 시뮬레이터가 실시간 성능과 물리적 사실성을 보장하기 위해 LLM과는 독립적으로 이동, 경로 계획(A*), 충돌 회피(Reciprocal Velocity Obstacles)를 처리한다.
• 실험 설정: 국소적 전염, 공간적 전파, 역학적 모델링, 양식 의존성, 성격 기반 창발성에 관한 특정 가설을 테스트하기 위해 다섯 가지 시나리오(평온한 광장, 콘서트, 대피, 줄 서기, 경합 중인 게이트)를 설계하였다. 본 연구는 gemini-3.1-flash-lite를 주요 백엔드로 사용하였으며, 다른 모델들(gpt-4o-mini, llama3.1:8b, llama3.2:3b)을 통해 강건성 검증을 수행하였다.

주요 기여

1. 평가 매개 전염 아키텍처: 본 논문은 정서적 전이가 알고리즘 규칙(예: 가중 평균 또는 미분 방정식)에 의해 제어되는 것이 아니라, 관찰된 행동에 대한 LLM의 평가로부터 완전히 창발되는 시스템을 소개한다.
2. 가설의 실증적 검증: 본 연구는 정동 전파의 본질에 관한 다섯 가지 가설을 체계적으로 테스트하여, 공간적 파동 형태의 확산, 역학적 모델링, 그리고 전염의 점화를 결정하는 데 있어 성격의 결정적 역할을 입증하는 증거를 제공한다.
3. 양식 및 백엔드 분석: 본 연구는 다양한 커뮤니케이션 양식(음성, 몸짓, 얼굴, 움직임)의 기여도를 정량화하고, 창발적 역학이 성격 특성에 대한 특정 LLM 백엔드의 민감도에 크게 의존함을 보여준다.

결과

• 국소적 전염 (H1): 이웃의 관찰 가능한 표현은 에이전트의 정서 변화를 예측한다. 경보 신호는 일관되게 발렌스를 감소시키고 각성을 증가시킨다. 긍정적 신호는 발렌스를 증가시키지만, 각성에 미치는 영향은 일관성이 낮았으며 이는 이웃으로부터의 전이보다는 시나리오 맥락에 의해 주도된 것으로 보인다.
• 공간적 전파 (H2): 국소 클러스터에서 시작된 경보는 선형 환경에서 이동하는 파동 전선(traveling wave front) 형태로 퍼져 나간다. 공황의 발생은 시드(seed)로부터의 거리와 양의 상관관계를 가지며, 추정된 전파 속도는 약 0.96 m/s이다.
• 역학적 모델(Epidemic Dynamics) (H3): 경보의 확산은 질적으로 Susceptible-Infected-Susible (SIS) 모델과 일치하는 패턴을 보이며, (SIR 모델처럼) 0으로 감소하지 않고 0이 아닌 엔데믹 정체기(endemic plateau)에 도달한다. 그러나 역학은 초기 오버슈트(overshoot)와 정체기 모두에 대해 단일 파라미터 세트에 엄격히 부합하지 않으며, 임계 질량(critical mass) 임계값은 관찰되지 않았다.
• 양식 의존성 (H4): 모든 양식이 차단되면 전염은 낮은 기저 수준으로 붕괴된다. 음성은 전방향적 도달 범위 덕분에 가장 높은 전염성을 가지며, 몸짓은 노출당 가장 강력한 효력을 가진다. 얼굴 표정은 주로 발렌스를 인코딩하고, 움직임은 각성을 인코딩한다.
• 성격 주도 창발 (H5):
  • 신경증(Neuroticism): 군중 내 평균 신경증이 높으면 모호한 자극이 자기 증폭적인 공황을 유발하는 반면, 안정적인 군중은 침착함을 유지한다.
  • 차분한 리더: 소수의 차분하고 성실성(conscientiousness)이 높은 에이전트는 군중의 공황을 다소 감소시키지만 이를 방지하지는 못하며, 이는 안심시키는 신호보다 경보 신호가 우세하게 작용하는 평가의 부정 편향(negativity bias)을 시사한다.
  • 분노 vs 공포: 도발자가 존재하는 상황에서, 불합리한(low agreeableness) 군중은 상황을 분노로 평가하는 반면, 기본 군중은 동일한 상황을 공포로 평가한다.
• 백엔드 민감도: 창발적 파동 역학은 백엔드에 따라 달라진다. 성격에 기반한 평가 격차를 유지하지 못하는 모델(본 연구의 gpt-4o-mini 등)은 신호를 올바르게 해석하더라도 전염을 지속시키지 못한다.

의의 및 주장
본 논문은 다중 에이전트 환경에서 상호작용하는 언어 모델들 사이에서 정동이 어떻게 전파되는지를 규명한다고 주장하며, 이는 LLM 에이전트가 협업 환경에 배치됨에 따라 중요성이 증가하는 질문이다. 연구 결과는 LLM 기반의 군중이 현실적인 창발적 역학을 나타내기 위해서는, 단순히 신호를 올바르게 해석하는 것을 넘어 평가를 조절하는 성격 특성에 대한 민감도를 유지해야 함을 시사한다.

저자들은 이러한 결과가 테스트된 특정 LLM 기반 아키텍처의 동작을 특징짓는 것이며, LLM 에이전트가 감정을 경험한다는 증거나 인간의 군중 행동에 대한 검증된 모델으로 해석되어서는 안 된다고 명시적으로 밝힌다. 본 연구의 목적은 게임, 영화 및 훈련 시뮬레이션을 위한 심리학적으로 다양한 군중을 생성하는 데 활용될 수 있는, 인간 데이터에 대한 추가 검증을 전제로 한 다중 에이전트 시스템의 안정성과 창발적 특성을 이해하기 위한 테스트베드를 제공하는 것이다.