論文の概要: Scientific Algorithm Discovery by Augmenting AlphaEvolve with Deep Research

• arxiv url: http://arxiv.org/abs/2510.06056v1
• Date: Tue, 07 Oct 2025 15:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.328774
• Title: Scientific Algorithm Discovery by Augmenting AlphaEvolve with Deep Research
• Title（参考訳）: AlphaEvolveの深部研究による科学アルゴリズムの発見
• Authors: Gang Liu, Yihan Zhu, Jie Chen, Meng Jiang,
• Abstract要約: 本稿では、ディープリサーチとアルゴリズムの進化を統合するエージェントであるDeepEvolveを紹介する。 それぞれが新しい仮説を提案するだけでなく、改良、実装、テストも提案し、浅い改善と非生産的な過剰精製の両方を避けている。 化学、数学、生物学、材料、特許の9つのベンチマークで、DeepEvolveは初期アルゴリズムを一貫して改善している。
• 参考スコア（独自算出の注目度）: 23.532524147608253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models hold promise as scientific assistants, yet existing agents either rely solely on algorithm evolution or on deep research in isolation, both of which face critical limitations. Pure algorithm evolution, as in AlphaEvolve, depends only on the internal knowledge of LLMs and quickly plateaus in complex domains, while pure deep research proposes ideas without validation, resulting in unrealistic or unimplementable solutions. We present DeepEvolve, an agent that integrates deep research with algorithm evolution, uniting external knowledge retrieval, cross-file code editing, and systematic debugging under a feedback-driven iterative loop. Each iteration not only proposes new hypotheses but also refines, implements, and tests them, avoiding both shallow improvements and unproductive over-refinements. Across nine benchmarks in chemistry, mathematics, biology, materials, and patents, DeepEvolve consistently improves the initial algorithm, producing executable new algorithms with sustained gains. By bridging the gap between unguided evolution and research without grounding, DeepEvolve provides a reliable framework for advancing scientific algorithm discovery. Our code is available at https://github.com/liugangcode/deepevolve.
• Abstract（参考訳）: 大きな言語モデルは科学的なアシスタントとして約束を守るが、既存のエージェントはアルゴリズムの進化にのみ依存するか、分離された深い研究にのみ依存しており、どちらも限界に直面している。 純粋アルゴリズムの進化はAlphaEvolveのように、LLMの内部知識と複雑な領域の迅速なプラトーにのみ依存するが、純粋なディープリサーチは検証なしでアイデアを提案し、非現実的で実装不可能な解決策をもたらす。 本稿では,アルゴリズムの進化とディープリサーチを統合したエージェントであるDeepEvolveについて述べる。 各イテレーションは、新しい仮説だけでなく、改善、実装、テストも提案し、浅い改善と非生産的な過剰な改善の両方を避けます。 化学、数学、生物学、材料、特許の9つのベンチマークにおいて、DeepEvolveは一貫して初期アルゴリズムを改善し、持続的なゲインを持つ実行可能な新しいアルゴリズムを生成する。 根拠のない進化と研究のギャップを埋めることによって、DeepEvolveは科学的アルゴリズム発見を促進するための信頼できるフレームワークを提供する。 私たちのコードはhttps://github.com/liugangcode/deepevolve.comから入手可能です。

関連論文リスト

• GeoEvolve: Automating Geospatial Model Discovery via Multi-Agent Large Language Models [49.257706111340134]
  進化的探索と地理空間的ドメイン知識を結合した多エージェントLLMフレームワークであるGeoEvolveを紹介する。 本研究では,空間的不確実性と空間的不確実性という2つの基本的・古典的課題について評価する。 空間誤差(RMSE)を13-21%削減し、不確実性推定性能を17%向上させる。
  論文  参考訳（メタデータ） (2025-09-25T21:03:57Z)
• AlphaEvolve: A coding agent for scientific and algorithmic discovery [63.13852052551106]
  我々は,最先端LLMの能力を大幅に向上させる進化的符号化エージェントAlphaEvolveを提案する。 AlphaEvolveはLLMの自律パイプラインを編成し、そのタスクはコードを直接変更することでアルゴリズムを改善することである。 本稿では,多くの重要な計算問題に適用することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2025-06-16T06:37:18Z)
• Algorithm Discovery With LLMs: Evolutionary Search Meets Reinforcement Learning [12.037588566211348]
  本稿では、強化学習(RL)ファインチューニングにより、探索演算子を改良し、進化的探索を強化することを提案する。 我々の実験では、RLと進化的探索を統合することにより、優れたアルゴリズムの発見が加速されることを示した。
  論文  参考訳（メタデータ） (2025-04-07T14:14:15Z)
• Towards Understanding How Knowledge Evolves in Large Vision-Language Models [55.82918299608732]
  我々はマルチモーダル知識がどのように進化し、最終的にLVLM(Large Vision-Language Models)において自然言語を誘導するかを考察する。 知識進化における2つの重要なノードを同定する: 臨界層と突然変異層、進化過程を3段階に分割する: 急速な進化、安定化、突然変異。 我々の研究は、LVLMにおける知識進化の軌跡を初めて明らかにし、その基盤となるメカニズムを理解するための新たな視点を提供する。
  論文  参考訳（メタデータ） (2025-03-31T17:35:37Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。