[논문 리뷰] AMBER: A Columnar Architecture for High-Performance Agent-Based Modeling in Python

Anh-Duy Pham|arXiv (Cornell University)|2026. 01. 22.

Big Data and Digital Economy인용 수 0

한 줄 요약

AMBER는 Polars DataFrame을 이용한 열 기반 상태 관리로 Python ABM의 속도 향상을 이끌며 벤치마크 전반에서 1.2×에서 93×의 상당한 속도 향상과 30–50%의 메모리 절감을 달성합니다.

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.

연구 동기 및 목표

• Python ABM 프레임워크의 에이전트당 객체 표현 방식의 확장성 한계를 해결한다.
• ABM을 위한 열 기반 상태 관리 아키텍처를 제안하고 구현한다.
• 공간 환경, 실험 관리 및 최적화 기능을 갖춘 포괄적인 ABM 프레임워크를 제공한다.
• 다수의 정형적 벤치마크를 대상으로 성능을 실증적으로 평가한다.

제안 방법

• 모든 에이전트 속성을 Polars DataFrame의 열로 저장하고 Population 객체 내에 열 기반 상태 관리를 도입한다.
• 열 기반 저장소 위에 친숙한 객체 지향 의미를 유지하기 위한 추상화 계층 (Agent 및 Population 클래스)을 제공한다.
• 인구 전체 작업과 에이전트별 작업에 대한 열 기반 대 객체 지향 상태 관리의 성능 특성을 분석한다.
• 공간 환경(Grid, Space, Network), 매개변수 스윕이 있는 실험 관리, 그리고 최적화/보정 도구(그리드, 난수, 베이지안, SMAC)를 구현한다.
• 세 가지 모델에 대해 Mesa 및 AgentPy와의 실증 벤치마킹을 수행하고 규모 확장, 속도 향상 및 메모리 사용량을 측정한다.

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

실험 결과

연구 질문

• RQ1 Python 접근성을 유지하면서 고성능 ABM의 기반으로 열 기반 상태 관리가 viable한가?
• RQ2 다양한 워크로드 및 인구 규모에서 열 기반 ABM 아키텍처가 어떤 속도 향상을 달성하는가?
• RQ3 AMBER가 열 기반 저장으로 공간 환경, 실험 관리, 최적화를 포함한 전체 ABM 라이프사이클 지원을 제공할 수 있는가?

주요 결과

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

• AMBER는 워크로드 특성에 따라 1.2×에서 93×까지 속도 향상을 달성한다.
• 메모리 사용량은 객체 지향 ABM 프레임워크에 비해 38–50% 줄었다.
• Wealth Transfer는 열 기반 연산에 직접 매핑되어 가장 큰 속도 향상(93×)을 보인다.
• SIR Epidemic은 에이전트별 분기 때문의 보통 속도 향상(1.7×)을 보이고, Random Walk는 위치 업데이트가 완전히 벡터화되어 15× 속도 향상을 달성한다.
• 최대 메모리 절감은 Wealth Transfer와 SIR Epidemic에서 각각 45%, Random Walk에서 38%이다.
• AMBER는 인구 전체 속성 업데이트에 대해 더 나은 확장성을 보여주며 열 기반 상태 관리가 Python ABM의 실행 가능한 아키텍처임을 검증한다.

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.