論文の概要: GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms

• arxiv url: http://arxiv.org/abs/2511.17592v1
• Date: Mon, 17 Nov 2025 14:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.269744
• Title: GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms
• Title（参考訳）: GigaEvo: LLMと進化アルゴリズムによるオープンソースの最適化フレームワーク
• Authors: Valentin Khrulkov, Andrey Galichin, Denis Bashkirov, Dmitry Vinichenko, Oleg Travkin, Roman Alferov, Andrey Kuznetsov, Ivan Oseledets,
• Abstract要約: GigaEvoはオープンソースのフレームワークで、研究者はLLM-進化のハイブリッドアプローチを研究、実験することができる。 今後の研究を支援するために,システムアーキテクチャ,実装決定,実験方法論の詳細な説明を行う。
• 参考スコア（独自算出の注目度）: 7.228213026504935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in LLM-guided evolutionary computation, particularly AlphaEvolve (Novikov et al., 2025; Georgiev et al., 2025), have demonstrated remarkable success in discovering novel mathematical constructions and solving challenging optimization problems. However, the high-level descriptions in published work leave many implementation details unspecified, hindering reproducibility and further research. In this report we present GigaEvo, an extensible open-source framework that enables researchers to study and experiment with hybrid LLM-evolution approaches inspired by AlphaEvolve. Our system provides modular implementations of key components: MAP-Elites quality-diversity algorithms, asynchronous DAG-based evaluation pipelines, LLM-driven mutation operators with insight generation and bidirectional lineage tracking, and flexible multi-island evolutionary strategies. In order to assess reproducibility and validate our implementation we evaluate GigaEvo on challenging problems from the AlphaEvolve paper: Heilbronn triangle placement, circle packing in squares, and high-dimensional kissing numbers. The framework emphasizes modularity, concurrency, and ease of experimentation, enabling rapid prototyping through declarative configuration. We provide detailed descriptions of system architecture, implementation decisions, and experimental methodology to support further research in LLM driven evolutionary methods. The GigaEvo framework and all experimental code are available at https://github.com/AIRI-Institute/gigaevo-core.
• Abstract（参考訳）: LLM誘導進化計算の最近の進歩、特にAlphaEvolve (Novikov et al , 2025; Georgiev et al , 2025)は、新しい数学的構造を発見し、挑戦的な最適化問題を解くのに顕著な成功を収めた。 しかし、出版された作品のハイレベルな記述は、再現性やさらなる研究を妨げる多くの実装の詳細を残している。 本稿では,AlphaEvolveにインスパイアされたハイブリッドLDM進化アプローチを研究者が研究・実験できる拡張可能なオープンソースフレームワークであるGigaEvoについて述べる。 MAP-Elitesの品質多様性アルゴリズム、非同期DAGに基づく評価パイプライン、洞察生成と双方向の系統追跡を備えたLLM駆動突然変異演算子、柔軟な多島間進化戦略など、主要なコンポーネントのモジュラー実装を提供する。 再現性の評価と実装の検証を目的として,AlphaEvolve の論文である Heilbronn 三角形配置,正方形の円パック,高次元キス数といった課題について GigaEvo の評価を行った。 このフレームワークはモジュール性、並行性、実験の容易さを強調しており、宣言的構成による迅速なプロトタイピングを可能にする。 LLMによる進化的手法のさらなる研究を支援するために,システムアーキテクチャの詳細な記述,実装決定,実験手法について述べる。 GigaEvoフレームワークとすべての実験コードはhttps://github.com/AIRI-Institute/gigaevo-coreで入手できる。

関連論文リスト

• CodeEvolve: An open source evolutionary coding agent for algorithm discovery and optimization [0.6198237241838559]
  我々は,大規模言語モデルと遺伝的アルゴリズムを結合して複雑な計算問題を解く,オープンソースの進化的符号化エージェントであるCodeEvolveを紹介する。 我々のフレームワークは、一般化された科学的発見のための最近の手法に基づいて、強力な進化的概念を大規模言語モデルドメインに適用する。 我々は、Google DeepMindのクローズドソースAlphaEvolveを評価するために使用される数学ベンチマークのサブセット上で、CodeEvolveの厳密な評価を行う。
  論文  参考訳（メタデータ） (2025-10-15T22:58:06Z)
• 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)
• A Survey on Self-Evolution of Large Language Models [116.54238664264928]
  大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。 この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
  論文  参考訳（メタデータ） (2024-04-22T17:43:23Z)
• 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)
• 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。