論文の概要: MadEvolve: Evolutionary Optimization of Cosmological Algorithms with Large Language Models
- arxiv url: http://arxiv.org/abs/2602.15951v1
- Date: Tue, 17 Feb 2026 19:06:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-19 15:58:30.40802
- Title: MadEvolve: Evolutionary Optimization of Cosmological Algorithms with Large Language Models
- Title（参考訳）: MadEvolve: 大規模言語モデルを用いた宇宙論的アルゴリズムの進化的最適化
- Authors: Tianyi Li, Shihui Zang, Moritz Münchmeyer,
- Abstract要約: 我々は、科学アルゴリズムを発見し、それを計算宇宙論の3つの問題に適用する枠組みを開発した。
私たちのコードMadEvolveは、GoogleのAlphaEvolveと似ているが、自由パラメータと最適化に強く重点を置いている。
我々は,N体シミュレーションにおいて,宇宙初期条件の再構築,21cm前景汚染の再構築,有効バリオン物理にMadEvolveを適用した。
- 参考スコア（独自算出の注目度）: 2.4591236220904027
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a general framework to discover scientific algorithms and apply it to three problems in computational cosmology. Our code, MadEvolve, is similar to Google's AlphaEvolve, but places a stronger emphasis on free parameters and their optimization. Our code starts with a baseline human algorithm implementation, and then optimizes its performance metrics by making iterative changes to its code. As a further convenient feature, MadEvolve automatically generates a report that compares the input algorithm with the evolved algorithm, describes the algorithmic innovations and lists the free parameters and their function. Our code supports both auto-differentiable, gradient-based parameter optimization and gradient-free optimization methods. We apply MadEvolve to the reconstruction of cosmological initial conditions, 21cm foreground contamination reconstruction and effective baryonic physics in N-body simulations. In all cases, we find substantial improvements over the base algorithm. We make MadEvolve and our three tasks publicly available at madevolve.org.
- Abstract（参考訳）: 我々は、科学アルゴリズムを発見し、それを計算宇宙論の3つの問題に適用するための一般的な枠組みを開発する。
私たちのコードMadEvolveは、GoogleのAlphaEvolveと似ているが、自由パラメータと最適化に強く重点を置いている。
私たちのコードは、ベースラインのヒューマンアルゴリズムの実装から始まり、コードに反復的な変更を加えることで、パフォーマンスメトリクスを最適化します。
さらに便利な機能として、MadEvolveは、入力アルゴリズムと進化したアルゴリズムを比較し、アルゴリズムの革新を説明し、自由パラメータとその関数をリストアップするレポートを自動的に生成する。
我々のコードは、自動微分可能、勾配に基づくパラメータ最適化と勾配なし最適化の両方をサポートしている。
我々は,N体シミュレーションにおいて,宇宙初期条件の再構築,21cm前景汚染の再構築,有効バリオン物理にMadEvolveを適用した。
いずれの場合も、ベースアルゴリズムよりも大幅に改善されている。
私たちはMadEvolveと3つのタスクを madevolve.orgで公開しています。
関連論文リスト
- Large Language Model-Powered Evolutionary Code Optimization on a Phylogenetic Tree [17.08113692977552]
PhyloEvolveは、GPU指向のアルゴリズム最適化をIn-Context Reinforcement Learning問題として再設計するシステムである。
本稿では,アルゴリズムの変種間の継承,分岐,組換えを捉える系統木表現を提案する。
我々は、PDEソルバ、多様体学習、スペクトルグラフアルゴリズムを含む科学計算処理のPhyloEvolveを評価する。
論文 参考訳（メタデータ） (2026-01-20T22:32:52Z) - 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) - A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization [1.6589012298747952]
近年の大きなトレンドは、自然に着想を得たメタヒュースティックアルゴリズム(NIMA)の利用である。
文献には540以上のアルゴリズムがあり、異なるアルゴリズムの探索機構を理解するための統一的なフレームワークはない。
20以上の異なるアルゴリズムを統一する一般化された進化的メタヒューリスティックアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-02T09:55:15Z) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm
for First-order and Zeroth-order Optimization [111.24899593052851]
条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。
ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。
1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
論文 参考訳（メタデータ） (2021-09-18T07:08:11Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳（メタデータ） (2021-06-08T21:05:30Z) - A Study of a Genetic Algorithm for Polydisperse Spray Flames [0.0]
遺伝的アルゴリズム(GA)は、高品質なソリューションの生成と最適化を可能にする強力なツールである。
本論では, 独特な燃焼問題に対する最適性を検討するために, GA機能を利用したい。
より正確には,iDSD(Initial Droplet size distribution)のどの形態が最適な火炎を保証してくれるか,という疑問に答えるために利用したい。
論文 参考訳（メタデータ） (2020-08-11T10:17:42Z) - A Primer on Zeroth-Order Optimization in Signal Processing and Machine
Learning [95.85269649177336]
ZO最適化は、勾配推定、降下方向、ソリューション更新の3つの主要なステップを反復的に実行する。
我々は,ブラックボックス深層学習モデルによる説明文の評価や生成,効率的なオンラインセンサ管理など,ZO最適化の有望な応用を実証する。
論文 参考訳（メタデータ） (2020-06-11T06:50:35Z) - A survey on dragonfly algorithm and its applications in engineering [29.190512851078218]
トンボのアルゴリズムは2016年に開発され、研究者が様々な分野の幅広い用途と応用を最適化するために用いたアルゴリズムの1つである。
この研究は、実世界の最適化問題を解決するための手法の頑健さと、複雑な最適化問題を改善するためのその欠如に対処した。
論文 参考訳（メタデータ） (2020-02-19T20:23:26Z) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳（メタデータ） (2020-02-04T20:00:28Z)
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。