論文の概要: Evolutionary Computation and Large Language Models: A Survey of Methods, Synergies, and Applications

• arxiv url: http://arxiv.org/abs/2505.15741v1
• Date: Wed, 21 May 2025 16:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.784765
• Title: Evolutionary Computation and Large Language Models: A Survey of Methods, Synergies, and Applications
• Title（参考訳）: 進化的計算と大規模言語モデル: 方法, シナジー, 応用に関する調査
• Authors: Dikshit Chauhan, Bapi Dutta, Indu Bala, Niki van Stein, Thomas Bäck, Anupam Yadav,
• Abstract要約: 大規模言語モデル (LLM) と進化的計算 (EC) は、人工知能を進化させるための有望な道の1つである。 本書は, LLMとECの相乗的ポテンシャルを考察し, 交点, 相補的強み, 新興アプリケーションについて概説する。
• 参考スコア（独自算出の注目度）: 2.080786995501611
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Integrating Large Language Models (LLMs) and Evolutionary Computation (EC) represents a promising avenue for advancing artificial intelligence by combining powerful natural language understanding with optimization and search capabilities. This manuscript explores the synergistic potential of LLMs and EC, reviewing their intersections, complementary strengths, and emerging applications. We identify key opportunities where EC can enhance LLM training, fine-tuning, prompt engineering, and architecture search, while LLMs can, in turn, aid in automating the design, analysis, and interpretation of ECs. The manuscript explores the synergistic integration of EC and LLMs, highlighting their bidirectional contributions to advancing artificial intelligence. It first examines how EC techniques enhance LLMs by optimizing key components such as prompt engineering, hyperparameter tuning, and architecture search, demonstrating how evolutionary methods automate and refine these processes. Secondly, the survey investigates how LLMs improve EC by automating metaheuristic design, tuning evolutionary algorithms, and generating adaptive heuristics, thereby increasing efficiency and scalability. Emerging co-evolutionary frameworks are discussed, showcasing applications across diverse fields while acknowledging challenges like computational costs, interpretability, and algorithmic convergence. The survey concludes by identifying open research questions and advocating for hybrid approaches that combine the strengths of EC and LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)と進化的計算(EC)を統合することは、強力な自然言語理解と最適化と探索能力を組み合わせることによって、人工知能を進化させるための有望な道である。 本書は, LLMとECの相乗的ポテンシャルを考察し, 交点, 相補的強み, 新興アプリケーションについて概説する。 我々は、LCMのトレーニング、微調整、迅速なエンジニアリング、アーキテクチャ検索をECが強化できる重要な機会を特定し、LCMはECの設計、分析、解釈の自動化を支援することができる。 この原稿は、ECとLLMの相乗的な統合を探求し、人工知能の進歩に対する彼らの双方向的な貢献を強調している。 まず、EC技術がLCMをいかに強化するかを、プロンプトエンジニアリング、ハイパーパラメータチューニング、アーキテクチャサーチといった重要なコンポーネントを最適化し、進化的手法がこれらのプロセスをいかに自動化し、洗練するかを示す。 次に, メタヒューリスティック設計の自動化, 進化的アルゴリズムのチューニング, 適応的ヒューリスティック生成などによりLCMのEC改善について検討した。 計算コスト、解釈可能性、アルゴリズムの収束といった課題を認識しながら、様々な分野にまたがるアプリケーションを示す、進化的な共進化的フレームワークについて議論する。 この調査は、オープンな研究課題を特定し、ECとLLMの強みを組み合わせたハイブリッドアプローチを提唱することで締めくくられている。

関連論文リスト

• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• A Survey on Mathematical Reasoning and Optimization with Large Language Models [0.5439020425819]
  大規模言語モデル(LLM)の最近の進歩は、AIによる数学的推論、定理証明、最適化技術を大幅に改善している。 この調査は、AIにおける数学的問題解決の進化を、初期の統計的学習アプローチから近代的なディープラーニングやトランスフォーマーに基づく方法論まで調査する。
  論文  参考訳（メタデータ） (2025-03-22T10:49:32Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• Evolutionary Computation in the Era of Large Language Model: Survey and Roadmap [26.959633651475016]
  大規模言語モデル(LLM)と進化的アルゴリズム(EA)の相互作用は、複雑な問題における適用可能性の共通の追求を共有している。 LLMに固有の豊富なドメイン知識により、EAはよりインテリジェントな検索を行うことができる。 本稿では、相互インスピレーションを2つの主要な道に分類する、徹底的なレビューと前方のロードマップを提供する。
  論文  参考訳（メタデータ） (2024-01-18T14:58:17Z)
• EvoPrompt: Connecting LLMs with Evolutionary Algorithms Yields Powerful Prompt Optimizers [67.64162164254809]
  EvoPromptは離散的なプロンプト最適化のためのフレームワークである。 進化的アルゴリズム(EA)の概念は、優れた性能と高速収束を示すものである。 人為的なプロンプトと既存の方法で自動プロンプト生成を著しく上回っている。
  論文  参考訳（メタデータ） (2023-09-15T16:50:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。