Agentic Framework for Epidemiological Modeling

Motivation

• Known: 전통적인 역학 모델(SEIR 등 compartmental model)은 공중보건 정책 결정에 필수적이며, COVID-19 Scenario Modeling Hub 같은 다중 모델 ensemble 접근이 정책 대응에 활용되어 왔다. 최근 LLM 기반 agentic framework는 code synthesis, symbolic regression, 자동화된 연구 workflow 등 여러 과학·공학 분야에서 반복적 생성-피드백 루프를 통해 성과를 보여주고 있다.
• Gap: 병원체, 정책, 시나리오 가정이 변화할 때마다 전문가가 수작업으로 모델 구조를 재설계해야 하는 확장성 문제가 있으며, 기존 agentic 과학 모델링 시스템들은 syntactic correctness와 경험적 성능에만 집중하여 역학 도메인 특유의 mechanistic 제약이나 구조적 수정(structural revision)을 일급 연산으로 지원하지 않는다.
• Why: 역학 시뮬레이터는 counterfactual 분석과 mechanistic reasoning에 사용되므로 단순 궤적 적합도뿐 아니라 해석 가능성과 구조적 타당성이 매우 중요하며, 자동화된 검증·보정 루프를 통해 변화하는 시나리오에 신속하게 대응 가능한 신뢰성 있는 모델을 구축하는 것은 공중보건 대응 속도와 질에 직접적 영향을 미친다.
• Approach: 역학 질병 진행을 반복적 program synthesis 문제로 모델링하고, LLM이 시나리오 명세로부터 epidemiological flow graph를 생성·검증한 뒤 이를 mechanistic simulator 코드로 컴파일하여 실제 데이터로 파라미터를 보정하는 multi-agent 파이프라인을 제안한다.

Achievement

Figure 3. National-level cumulative COVID-19 infections across

1. EpiAgent framework 제안: 자연어 시나리오 설명으로부터 역학 시뮬레이터를 자동으로 합성·보정·검증·개선하는 agentic framework를 최초로 도입했다.
2. Flow graph 중간 표현: scenario specification과 model structure를 연결하는 explicit epidemiological flow graph를 도입해, 코드 생성 이전에 모듈화된 강력한 정합성 검사를 가능하게 했다.
3. Graph-to-model 컴파일 메커니즘: 검증된 flow graph를 mechanistic simulator로 변환하여 physical/epidemiological 제약 하에서 해석 가능한 파라미터 학습을 지원했다.
4. Multi-agent V&V 아키텍처: 수학적 유효성, 시나리오 충실도, mechanistic 해석 가능성을 검증하는 전문화된 agent들을 설계하여 전문가 workflow를 모사했다.
5. 실증적 검증: MIDAS Network의 Scenario Modeling Hub 사례와 behavioral SEIR baseline에 대한 평가에서, EpiAgent가 복잡한 성장 동역학을 포착하고 백신 접종·면역 회피 가정 변화에도 역학적으로 일관된 counterfactual projection을 생성하며, agentic feedback loop가 unguided generation 대비 퇴화를 방지하고 유효 모델로의 수렴을 가속화함을 보였다.

How

Figure 2. Agentic pipeline for epidemic scenario modeling and ensemble simulation. Natural-language scenarios are augmen

• 시나리오 s를 자연어로 입력받아 retrieval-augmented flow graph synthesis를 수행하여, hard structural constraint와 valid compartmental transition을 만족하는 epidemiological flow graph를 생성
• 생성된 flow graph에 대해 다수의 specialized agent가 수학적 유효성(예: parameter non-negativity), 시나리오 충실도, mechanistic 해석 가능성 등 correctness property를 검사하고 actionable feedback 제공
• 검증이 통과된 flow graph를 graph-to-model compilation 메커니즘을 통해 실제 mechanistic simulator 코드(compartmental model, 예: SEIR 확장형)로 변환
• 컴파일된 시뮬레이터를 실제 데이터(예: 국가 단위 COVID-19 누적 감염자 수)로 보정(calibration)하고, 반복적 검증-개선(iterative refinement) 루프를 통해 오류가 있는 flow graph가 전파되어 잘못된 epidemic projection으로 이어지는 것을 방지
• MIDAS Network Scenario Modeling Hub 사례연구와 Gozzi et al. (2025)의 behavioral SEIR baseline을 대상으로 정성적·정량적 평가 수행

Originality

• 역학 모델링을 반복적 program synthesis 문제로 재정의하고, 이를 위한 전용 agentic framework를 제안한 것은 기존 code synthesis나 symbolic regression 중심의 agentic 과학 모델링 시스템과 차별화된다.
• Flow graph라는 explicit, 검증 가능한 중간 표현을 도입해 자연어 시나리오와 mechanistic model 구조 사이의 gap을 메우고, 코드 생성 이전 단계에서 구조적 정합성을 모듈적으로 검사할 수 있게 한 설계가 독창적이다.
• Mathematical validity, scenario fidelity, mechanistic interpretability를 각각 담당하는 전문화된 multi-agent V&V 아키텍처를 통해 전문가 역학 모델링 workflow를 모사한 점이 새롭다.

Limitation & Further Study

• 초록 및 본문 발췌에 따르면 향후 연구로 불완전한 시나리오 설명(incomplete scenario description) 하에서의 강건성 개선이 언급되어 있어, 현재 프레임워크가 완전하거나 잘 구조화된 시나리오 명세에 의존할 가능성이 있다.
• 평가가 COVID-19 관련 사례연구와 특정 SEIR baseline에 국한되어 있어, 더 다양한 병원체(예: influenza, RSV)나 더 복잡한 population heterogeneity, 공간적 구조를 가진 시나리오에 대한 일반화 가능성 검증이 추가로 필요하다.
• LLM 기반 생성의 재현성, 계산 비용, 그리고 flow graph 검증 규칙 자체의 완전성(어떤 mechanistic 오류까지 포착 가능한지)에 대한 정량적 한계 분석이 발췌 내용만으로는 충분히 드러나지 않는다.

Evaluation

총평: 역학 모델링에 agentic LLM framework를 도입하면서 flow graph라는 검증 가능한 중간 표현을 핵심 설계로 삼은 점이 실용적이고 독창적이며, 공중보건 시나리오 대응 속도와 신뢰성을 높일 잠재력이 크다. 다만 발췌된 내용만으로는 다양한 병원체·시나리오에 대한 일반화 및 정량적 한계 분석이 충분히 제시되지 않아 추가 검증이 필요하다.