[論文レビュー] AMBER: A Columnar Architecture for High-Performance Agent-Based Modeling in Python

Anh-Duy Pham|arXiv (Cornell University)|Jan 22, 2026

Big Data and Digital Economy被引用数 0

ひとこと要約

AMBER は Polars DataFrame を用いた列指向の状態管理を導入し、Python ABM を高速化。ベンチマーク全体で速度向上が 1.2× から 93×、メモリ使用量を 30–50% 削減。

ABSTRACT

Agent-based modeling (ABM) has emerged as an indispensable methodology for studying complex adaptive systems across the natural and social sciences. However, Python-based ABM frameworks face a fundamental tension between the accessibility that has made Python dominant in scientific computing and the performance requirements of large-scale simulations. This paper introduces AMBER, a framework that resolves this tension through a novel architectural approach: replacing the conventional object-per-agent representation with columnar state management using the Polars DataFrame library. We analyze the computational characteristics of both paradigms, present the architectural design of AMBER including its core abstractions, spatial environments, experiment management, and optimization capabilities. Empirical evaluation on three canonical benchmarks demonstrates that AMBER achieves speedups of 1.2x to 93x depending on workload characteristics, with the greatest advantages for models dominated by population-wide attribute operations. Memory profiling reveals 30-50% reduction in peak usage compared to object-oriented frameworks. Our results establish columnar state management as a viable architectural foundation for high-performance ABM in interpreted languages.

研究の動機と目的

• Python のオブジェクト単位エージェント表現を用いる ABM フレームワークのスケーラビリティ制約に対処する。
• ABM の列指向状態管理アーキテクチャを提案・実装する。
• 空間環境、実験管理、最適化機能を備えた包括的な ABM フレームワークを提供する。
• 複数の標準的な ABM ベンチマークにわたってパフォーマンスを経験的に評価する。

提案手法

• Population オブジェクト内の Polars DataFrame の各列としてすべてのエージェント属性を格納することにより、列指向状態管理を導入する。
• 列指向ストレージ上で馴染みのあるオブジェクト指向の意味論を保つための抽象層（Agent および Population クラス）を提供する。
• 列指向の状態管理とオブジェクト指向の状態管理のパフォーマンス特性を、全体的な集団操作と個別エージェント操作で分析する。
• 空間環境（Grid、Space、Network）、パラメータスイープを伴う実験管理、および最適化/キャリブレーション機能（grid、random、Bayesian、SMAC）を実装する。
• Mesa と AgentPy に対する経験的ベンチマークを3モデルで実施し、スケーリング、スピードアップ、メモリ使用を測定する。

Figure 1 : Comparison of state management approaches. Left: Object-oriented representation where each agent is a Python object with scattered memory layout. Right: AMBER’s columnar representation where agent attributes form contiguous columns in a Polars DataFrame. The columnar layout enables vector

実験結果

リサーチクエスチョン

• RQ1 列指向状態管理は、Python の利便性を保ちながら高性能 ABM の土台として実用的か？
• RQ2 異なるワークロードおよび母集団サイズに対して、列指向 ABM アーキテクチャはどの程度のスピードアップを達成するのか？
• RQ3 AMBER は列指向ストレージで空間環境、実験管理、最適化を含む完全な ABM ライフサイクルを提供できるのか？

主な発見

Benchmark	AMBER (s)	Mesa (s)	Speedup
Wealth Transfer	2.1	195.5	93 ×
SIR Epidemic	4.8	8.2	1.7 ×
Random Walk	1.9	28.5	15 ×

• AMBER は workload の特性に応じて 1.2× から 93× の速度向上を達成。
• メモリ使用量はオブジェクト指向 ABM フレームワークと比較して 38–50% 削減。
• Wealth Transfer は列指向演算への直接的なマッピングにより最大の速度向上（93×）を示す。
• SIR Epidemic は個別エージェント分岐の影響で控えめな速度向上（1.7×）を示す；Random Walk は位置更新の完全ベクトル化により 15× の速度向上を達成。
• ピーク時のメモリ削減は Wealth Transfer および SIR Epidemic が 45%、Random Walk が 38%。
• AMBER は母集団全体の属性更新のスケーリングが優れており、列指向状態管理が Python ABM の実用的なアーキテクチャとなることを裏付ける。

Figure 2 : Execution time versus agent population size for three benchmark models. AMBER demonstrates consistently better scaling, with the advantage most pronounced for Wealth Transfer where vectorization is most applicable.