論文の概要: AVO: Agentic Variation Operators for Autonomous Evolutionary Search

• arxiv url: http://arxiv.org/abs/2603.24517v1
• Date: Wed, 25 Mar 2026 16:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.395465
• Title: AVO: Agentic Variation Operators for Autonomous Evolutionary Search
• Title（参考訳）: AVO:自律的進化探索のためのエージェント変分演算子
• Abstract要約: エージェント変分演算子(エージェント変分演算子、AVO)は、古典的な進化探索の固定突然変異、クロスオーバー、手動設計を置き換える進化変分演算子である。 我々は、NVIDIA Blackwell (B200) 上でAIにおいて最も積極的に最適化されたカーネルターゲットのうち、注目されている AVO を評価する。 AVOは、変化を、現在の系統、ドメイン固有の知識ベース、実行フィードバックを参照できるセルフ指向のエージェントループとしてインスタンス化する。
• 参考スコア（独自算出の注目度）: 38.64857334672555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic Variation Operators (AVO) are a new family of evolutionary variation operators that replace the fixed mutation, crossover, and hand-designed heuristics of classical evolutionary search with autonomous coding agents. Rather than confining a language model to candidate generation within a prescribed pipeline, AVO instantiates variation as a self-directed agent loop that can consult the current lineage, a domain-specific knowledge base, and execution feedback to propose, repair, critique, and verify implementation edits. We evaluate AVO on attention, among the most aggressively optimized kernel targets in AI, on NVIDIA Blackwell (B200) GPUs. Over 7 days of continuous autonomous evolution on multi-head attention, AVO discovers kernels that outperform cuDNN by up to 3.5% and FlashAttention-4 by up to 10.5% across the evaluated configurations. The discovered optimizations transfer readily to grouped-query attention, requiring only 30 minutes of additional autonomous adaptation and yielding gains of up to 7.0% over cuDNN and 9.3% over FlashAttention-4. Together, these results show that agentic variation operators move beyond prior LLM-in-the-loop evolutionary pipelines by elevating the agent from candidate generator to variation operator, and can discover performance-critical micro-architectural optimizations that produce kernels surpassing state-of-the-art expert-engineered attention implementations on today's most advanced GPU hardware.
• Abstract（参考訳）: Agentic Variation Operators (AVO) は、古典的進化的探索と自律的符号化エージェントの固定突然変異、クロスオーバー、手作業によるヒューリスティックスを置き換える、進化的変動演算子の新たなファミリーである。 言語モデルを所定のパイプライン内で候補生成に収束させる代わりに、AVOは変更を、現在の系統、ドメイン固有の知識ベース、実行フィードバックを参照して、実装の編集を提案し、修正し、批評し、検証できるセルフ指向のエージェントループとしてインスタンス化する。 我々は、NVIDIA Blackwell (B200) GPU上でAIにおいて最も積極的に最適化されたカーネルターゲットのうち、AVOを注目して評価する。 マルチヘッドで7日間の継続的自律進化を経て、AVOはcuDNNを最大3.5%、FlashAttention-4を最大10.5%上回るカーネルを発見した。 検出された最適化はグループ化されたクエリーの注意に容易に移行し、追加で30分間の自律的な適応が必要となり、cuDNNで最大7.0%、FlashAttention-4で最大9.3%の利得が得られる。 これらの結果は,エージェントが候補ジェネレータから変数演算子にエージェントを昇格させることで,従来のLLM-in-the-loop進化パイプラインを超えてエージェント変動演算子が動作することを示し,今日の最先端GPUハードウェア上で,最先端の専門家が設計した注目実装を超越したカーネルを生成する,パフォーマンスクリティカルなマイクロアーキテクチャ最適化を実現できることを示している。

関連論文リスト

• AgenticCANN: Automated Ascend C Operator Generation via Knowledge-Augmented Agentic Evolution [16.709206818546317]
  AgenticCANNは、低コーパスNPU環境でのAscend C演算子の自動合成に適した知識強化されたエージェント進化フレームワークである。 本手法は, 要素ワイドおよび正規化演算子で90%から100%, 融合演算子で56%, 1B Panguモデル推論カーネルで6.65$times$スピードアップを実現する。
  論文  参考訳（メタデータ） (2026-07-29T09:19:17Z)
• CurateEvo: Data-Curation Evolving for Agentic Post-Training [53.68149869349268]
  エージェント学習後データキュレーションのための障害駆動動的進化フレームワークであるCurateEvoを提案する。 CurateEvoは、キュレーション戦略を実行可能なコードとして表現し、保持された開発セットから失敗したトラジェクトリを使って反復的に書き直します。 各エポックにおいて、進化した戦略は、固定された生コーパスを教師付き微調整データ、強化学習データ、推論時メモリバンクに変換する。
  論文  参考訳（メタデータ） (2026-07-07T11:07:00Z)
• NOVA: A Verification-Aware Agent Harness for Architecture Evolution in Industrial Recommender Systems [24.27056236910489]
  NOVAは、検証対応アーキテクチャ進化のためのレベルアウェアエージェントハーネスである。 L2 ScaleUpとL3 Literature-to-Productionタスクにおいて、最も効果的なパスレートを達成する。 1つの文学から生産までのサイクルを、人間に従属した時間で13倍に短縮する。
  論文  参考訳（メタデータ） (2026-06-25T16:30:39Z)
• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• APEX: Adaptive Principle EXtraction A Three-Layer Self-Evolution Framework for Production AI Agents [0.0]
  AIエージェントの自己改善は、重要な研究フロンティアとして現れている。 同時に進化する3層共進化フレームワークであるAPEXを提案する。 その結果,多次元共進化は単一軸ハーネス最適化を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2026-06-13T15:47:27Z)
• EvoArena: Tracking Memory Evolution for Robust LLM Agents in Dynamic Environments [100.23277774720928]
  EvoArenaは、端末、ソフトウェア、ソーシャルドメイン間でのプログレッシブアップデートのシーケンスとして環境変化をモデル化するベンチマークスイートである。 EvoMemは、メモリの進化を構造化された更新履歴として記録するパッチベースのメモリパラダイムである。
  論文  参考訳（メタデータ） (2026-06-11T17:59:59Z)
• AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
  AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。 適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。 探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
  論文  参考訳（メタデータ） (2026-04-17T18:25:03Z)
• EvoClaw: Evaluating AI Agents on Continuous Software Evolution [47.49468375065129]
  ノイズの多いコミットログから検証可能なマイルストーンDAGを再構築するエージェントパイプラインであるDeepCommitを紹介する。 これらの実行可能なシーケンスは、エージェントがシステムの完全性を維持し、エラーの蓄積を制限する必要がある新しいベンチマークであるEvoClawを可能にする。
  論文  参考訳（メタデータ） (2026-03-13T03:20:40Z)
• AdaptEvolve: Improving Efficiency of Evolutionary AI Agents through Adaptive Model Selection [14.17960333915609]
  進化的エージェントシステムは、計算効率と推論能力の間のトレードオフを強化する。 本稿では,AdaptEvolve: Adaptive Selection for Multi-LLM Evolutionary Refinementを紹介する。
  論文  参考訳（メタデータ） (2026-02-12T13:26:56Z)
• Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing [26.102738613616456]
  Group-Evolving Agents (GEA)は、エージェントのグループを基本的な進化単位として扱う。 我々はGAAを、最先端の自己進化手法を著しく上回る、挑戦的なコーディングベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-02-04T18:29:36Z)
• Hypernetworks That Evolve Themselves [3.4524024382493774]
  本稿では,自己参照グラフHyperNetworksを提案する。 ハイパーネットワーク、パラメータ生成、グラフベースの表現を統一することにより、自己参照型GHNは、選択可能な特性を適用しながら変更し、評価する。 我々の研究結果は、進化可能性自体が神経の自己参照から生まれるという考えを支持している。
  論文  参考訳（メタデータ） (2025-12-18T11:05:34Z)
• LLM4EO: Large Language Model for Evolutionary Optimization in Flexible Job Shop Scheduling [4.782301990330074]
  この研究は、Large Language Models (LLM)を活用して進化力学を理解し、演算子レベルのメタ進化を可能にする。 提案するフレームワーク LLM4EO は,知識伝達に基づく演算子設計,進化知覚と解析,適応演算子進化の3つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-11-20T15:56:09Z)
• From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
  自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。 静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。 本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
  論文  参考訳（メタデータ） (2025-10-07T05:45:25Z)
• SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
  自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。 本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-06-26T18:00:07Z)
• Trackable Agent-based Evolution Models at Wafer Scale [0.0]
  我々は,85万プロセッサCerebras Wafer Scale Engine(WSE)のエージェントベース進化から系統情報を抽出する問題に焦点をあてる。 We present a asynchronous island-based genetic algorithm (GA) framework for WSE hardware。 本研究は,これらの治験の系統的再構成を検証し,根底にある進化状態の推測に適合することを示す。
  論文  参考訳（メタデータ） (2024-04-16T19:24:14Z)
• Investigate-Consolidate-Exploit: A General Strategy for Inter-Task Agent Self-Evolution [92.84441068115517]
  Investigate-Consolidate-Exploit(ICE)は、AIエージェントの適応性と柔軟性を高めるための新しい戦略である。 ICEは、真の自己進化のためのタスク間の知識の伝達を促進する。 XAgentフレームワークに関する我々の実験は、ICEの有効性を示し、API呼び出しを最大80%削減する。
  論文  参考訳（メタデータ） (2024-01-25T07:47:49Z)
• Involution: Inverting the Inherence of Convolution for Visual Recognition [72.88582255910835]
  本稿では,畳み込みの原理を逆転させることにより,深層ニューラルネットワークの新たな原子操作を提案する。 提案する畳み込み演算子は、視覚認識のための新しい世代のニューラルネットワークを構築するための基本ブロックとして利用することができる。 当社のInvolutionベースのモデルは、ResNet-50を使用した畳み込みベースラインのパフォーマンスを最大1.6%の精度、2.5%と2.4%のバウンディングボックスAP、4.7%は絶対にIoUを意味します。
  論文  参考訳（メタデータ） (2021-03-10T18:40:46Z)

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。