論文の概要: AlphaResearch: Accelerating New Algorithm Discovery with Language Models
- arxiv url: http://arxiv.org/abs/2511.08522v1
- Date: Wed, 12 Nov 2025 02:03:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-12 20:17:03.85136
- Title: AlphaResearch: Accelerating New Algorithm Discovery with Language Models
- Title（参考訳）: AlphaResearch: 言語モデルによる新しいアルゴリズム発見の高速化
- Authors: Zhaojian Yu, Kaiyue Feng, Yilun Zhao, Shilin He, Xiao-Ping Zhang, Arman Cohan,
- Abstract要約: 大規模言語モデルは複雑だが検証が容易な問題において大きな進歩を遂げてきたが、未知の発見に苦戦している。
オープンエンド問題に対する新しいアルゴリズムの発見を目的とした,自律型研究エージェントである textbfAlphaResearch を提示する。
- 参考スコア（独自算出の注目度）: 60.502137348923156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models have made significant progress in complex but easy-to-verify problems, yet they still struggle with discovering the unknown. In this paper, we present \textbf{AlphaResearch}, an autonomous research agent designed to discover new algorithms on open-ended problems. To synergize the feasibility and innovation of the discovery process, we construct a novel dual research environment by combining the execution-based verify and simulated real-world peer review environment. AlphaResearch discovers new algorithm by iteratively running the following steps: (1) propose new ideas (2) verify the ideas in the dual research environment (3) optimize the research proposals for better performance. To promote a transparent evaluation process, we construct \textbf{AlphaResearchComp}, a new evaluation benchmark that includes an eight open-ended algorithmic problems competition, with each problem carefully curated and verified through executable pipelines, objective metrics, and reproducibility checks. AlphaResearch gets a 2/8 win rate in head-to-head comparison with human researchers, demonstrate the possibility of accelerating algorithm discovery with LLMs. Notably, the algorithm discovered by AlphaResearch on the \emph{``packing circles''} problem achieves the best-of-known performance, surpassing the results of human researchers and strong baselines from recent work (e.g., AlphaEvolve). Additionally, we conduct a comprehensive analysis of the remaining challenges of the 6/8 failure cases, providing valuable insights for future research.
- Abstract（参考訳）: 大規模言語モデルは複雑だが検証が容易な問題において大きな進歩を遂げてきたが、未知の発見に苦戦している。
本稿では,オープンエンド問題に対する新しいアルゴリズムの発見を目的とした自律型研究エージェントである「textbf{AlphaResearch}」を提案する。
本研究では,発見プロセスの実現可能性と革新性を相乗化するために,実世界のピアレビュー環境と実世界のピアレビュー環境を組み合わせることで,新たな二重研究環境を構築する。
AlphaResearchは,(1)新しいアイデアを提案し,(2)二重研究環境におけるアイデアを検証し,(3)研究提案を最適化し,より良い性能を実現する。
透明な評価プロセスを促進するために,提案する新たな評価ベンチマークである \textbf{AlphaResearchComp} を構築した。
AlphaResearchは、人間の研究者と比較して2/8の勝利率を獲得し、LLMによるアルゴリズム発見を加速する可能性を実証している。
特に、AlphaResearchが'emph{``packing circles'}問題で発見したアルゴリズムは、人間の研究者の結果と最近の研究(例えばAlphaEvolve)の強いベースラインを上回り、最もよく知られたパフォーマンスを達成する。
さらに、私たちは6/8の障害ケースの残りの課題を包括的に分析し、将来の研究に貴重な洞察を与えます。
関連論文リスト
- Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-07T17:49:24Z) - 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) - Discovering new robust local search algorithms with neuro-evolution [0.9786690381850356]
本稿では,局所探索アルゴリズムの領域における既存の課題を克服することを目的とした,新しいアプローチを提案する。
本研究の目的は,局所探索アルゴリズム内で発生する決定プロセスを改善することであり,各反復で最良な遷移を実現することである。
このアプローチは、新しいローカル検索アルゴリズムの出現とブラックボックス問題に対する問題解決能力の改善に有望な道を提供する。
論文 参考訳（メタデータ） (2025-01-08T10:31:16Z) - Resolving the Exploration-Exploitation Dilemma in Evolutionary Algorithms: A Novel Human-Centered Framework [0.0]
アルゴリズム設計における探索-探索のジレンマに対する体系的な解決には、探索と搾取に関して独立して調整された制御が必要である。
本稿では,(1)と(2)の具体化を外部変数(検索空間制御)で実現するHCTPS(Human-Centered Two-Phase Search)フレームワークを提案する。
我々は,HCTPSが,EAs固有の収束機構を乱すことなく,検索空間のカバー範囲において,現在のアプローチをはるかに上回っていることを証明した。
論文 参考訳（メタデータ） (2025-01-04T01:06:46Z) - RAGLAB: A Modular and Research-Oriented Unified Framework for Retrieval-Augmented Generation [54.707460684650584]
大きな言語モデル(LLM)は対話、推論、知識保持における人間レベルの能力を示す。
現在の研究は、LLMに外部知識を組み込むことによって、このボトルネックに対処している。
RAGLABはモジュール的で研究指向のオープンソースライブラリで、6つの既存のアルゴリズムを再現し、RAGアルゴリズムを調査するための包括的なエコシステムを提供する。
論文 参考訳（メタデータ） (2024-08-21T07:20:48Z) - Empirical Evaluation of Project Scheduling Algorithms for Maximization
of the Net Present Value [0.0]
本稿では,3つのプロジェクトスケジューリングアルゴリズムの実証的性能解析について述べる。
選択されたアルゴリズムは、Recursive Search (RS)、Steepest Ascent Approach (SAA)、Hybrid Search (HS)である。
論文 参考訳（メタデータ） (2022-07-05T03:01:33Z) - AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。
探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。
学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
論文 参考訳（メタデータ） (2021-03-22T13:28:56Z)
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。