論文の概要: CliffSearch: Structured Agentic Co-Evolution over Theory and Code for Scientific Algorithm Discovery
- arxiv url: http://arxiv.org/abs/2604.01210v1
- Date: Wed, 01 Apr 2026 17:51:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:32.133277
- Title: CliffSearch: Structured Agentic Co-Evolution over Theory and Code for Scientific Algorithm Discovery
- Title（参考訳）: CliffSearch:科学アルゴリズム発見のための理論とコードに関する構造化エージェントの共進化
- Authors: Youssef Mroueh, Carlos Fonseca, Brian Belgodere, David Cox,
- Abstract要約: 本稿では,コア進化演算子をLLMエージェントとして実装したエージェント進化フレームワークCliffSearchを提案する。
本稿では, トランスフォーマーのハイパーコネクション進化, 固定ナノGPTスタック上の発見, ネイティブ最適化アブレーションの3つのベンチマーク基盤研究の枠組みについて述べる。
- 参考スコア（独自算出の注目度）: 8.600891931062277
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific algorithm discovery is iterative: hypotheses are proposed, implemented, stress-tested, and revised. Current LLM-guided search systems accelerate proposal generation, but often under-represent scientific structure by optimizing code-only artifacts with weak correctness/originality gating. We present CliffSearch, an agentic evolutionary framework in which the core evolution operators (pair selection, crossover, mutation, and review) are implemented as LLM agents, and the loop is designed around three principles: (1) each node is a structured scientific artifact, instantiated in either theory+code or code_only mode, (2) reviewer judgments of correctness and originality are first-class selection gates alongside optimization of the benchmark metric of interest, and (3) mutation is split into exploration and correction pathways with distinct objectives. Exploration mutation imports ideas from adjacent scientific domains to increase novelty, while correction mutation performs targeted evidence-guided repair using reviewer signals over theory, code, benchmark results, and runtime errors. We illustrate the framework on three benchmark-grounded studies: transformer hyper-connection evolution, optimizer discovery on a fixed nanoGPT stack, and a smaller native-optimizer ablation. Across these settings, the same loop supports explicit metric direction, reproducible persistence, and reviewer-gated comparison of discoveries under controlled search conditions. The result is a discovery workflow that prioritizes scientific interpretability and correctness while optimizing task metrics under controlled novelty constraints, rather than maximizing candidate throughput alone. Full run artifacts, interactive visualizations, and exported best nodes for the reported studies are available at https://cliffsearch.ai .
- Abstract（参考訳）: 科学的アルゴリズムの発見は反復的であり、仮説が提案され、実装され、ストレステストされ、修正される。
現在のLLM誘導探索システムは提案生成を加速するが、符号のみのアーティファクトを弱い正確さ/独創性ゲーティングで最適化することで、しばしば科学的構造を過小評価する。
本稿では,LLMエージェントとしてコア進化演算子(ペア選択,クロスオーバー,突然変異,レビュー)を実装したエージェント進化フレームワークCliffSearchについて述べる。(1)各ノードは構造化された科学的アーティファクトであり,+codeかcode_onlyモードのいずれかでインスタンス化されている。(2)正当性判定と原性判定は,関心のベンチマークの最適化とともに第1級選択ゲートであり,(3)突然変異は探索と修正経路に分割される。
探索突然変異は、隣接する科学的領域からアイデアをインポートし、新規性を高める一方、修正突然変異は、理論、コード、ベンチマーク結果、実行時エラーに関するレビュアー信号を使用して、目標とするエビデンス誘導修復を実行する。
本稿では, トランスフォーマーのハイパーコネクション進化, 固定ナノGPTスタック上でのオプティマイザ発見, ネイティブ最適化アブレーションの小型化という3つのベンチマーク基盤研究の枠組みについて述べる。
これらの設定全体において、同じループは明示的なメートル法方向、再現可能な永続性、および制御された検索条件下での発見の比較をサポートする。
その結果、予測スループットのみを最大化するのではなく、制御された新規性制約の下でタスクメトリクスを最適化しながら、科学的解釈可能性と正確性を優先する発見ワークフローが実現した。
報告された研究のためのフル実行アーティファクト、インタラクティブな視覚化、そしてエクスポートされたベストノードは、https://cliffsearch.ai.orgで公開されている。
関連論文リスト
- OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery [10.217363774023033]
OR-Agentは、リッチな実験環境における自動探査のために設計されたマルチエージェントの研究フレームワークである。
本稿では,研究開始点の進化的選択,総合的な研究計画生成,研究ツリー内の協調探索を統一する進化的システム機構を提案する。
我々は古典的最適化ベンチマーク(走行セールスマン、静電容量化車両ルーティング、ビンパッキング、オリエンテーリング、および複数のクナップサック問題を含む)およびシミュレーションに基づく協調運転シナリオを含む実験を行う。
論文 参考訳（メタデータ） (2026-02-14T13:32:03Z) - Continuous Program Search [4.198653054660764]
潜在距離が振る舞いの意味を持つ連続的なプログラム空間を学習し、進化的アルゴリズムを変更することなくこの構造を利用する突然変異演算子を設計する。
制御された潜在摂動下での行動レベルのばらつきを追跡することで局所性を計測し,行動-局所的連続的な変動に対する経験的信頼領域を同定する。
等方的突然変異は時折高いピーク性能を達成するが、幾何コンパイルされた突然変異はより速く、より信頼性の高い進行をもたらす。
論文 参考訳（メタデータ） (2026-02-07T18:41:14Z) - Efficient Differentiable Causal Discovery via Reliable Super-Structure Learning [51.20606796019663]
本稿では,新たな因果発見パイプラインであるALVGLを提案する。
ALVGLはスパース分解とローランク分解を用いてデータの精度行列を学習する。
ALVGLは最先端の精度を達成するだけでなく、最適化効率を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2026-01-09T02:18:59Z) - CoT-Evo: Evolutionary Distillation of Chain-of-Thought for Scientific Reasoning [63.44477226386808]
先進的な大規模言語モデル(LLM)からのCoT蒸留は、一般的な推論タスクにおいて有効であることが証明されている。
しかし、先進的なモデルでさえ、誤った、あるいは表面的な推論をしばしば生み出す科学領域では苦戦している。
この問題を解決するために, 進化的CoT蒸留フレームワークであるCoT-Evoを提案する。
論文 参考訳（メタデータ） (2025-10-15T05:29:56Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Beyond Progress Measures: Theoretical Insights into the Mechanism of Grokking [50.465604300990904]
グロキング(Grokking)とは、オーバーフィッティングの拡張後のテスト精度の急激な改善を指す。
本研究では、素数演算のタスクにおいて、Transformerの基盤となるグルーキング機構について検討する。
論文 参考訳（メタデータ） (2025-04-04T04:42:38Z) - Regulatory DNA sequence Design with Reinforcement Learning [56.20290878358356]
本稿では,強化学習を利用して事前学習した自己回帰モデルを微調整する生成手法を提案する。
2つの酵母培地条件下でのプロモーター設計タスクの評価と,3種類のヒト細胞に対するエンハンサー設計タスクの評価を行った。
論文 参考訳（メタデータ） (2025-03-11T02:33:33Z) - An information-theoretic evolutionary algorithm [0.0]
It-EAは、検索分布を2つのパラメータで反復的に更新する。
実証分析では、OneMaxとLeadingOnesでは、エリート主義者で非エリート主義者の it-EA が有望な結果を得る。
論文 参考訳（メタデータ） (2023-04-12T16:36:22Z) - Self-Adjusting Evolutionary Algorithms for Multimodal Optimization [0.0]
自己調整および自己適応機構は、二進探索空間の進化的アルゴリズムにおける静的設定よりも確実に優れている。
我々は、既存の進化アルゴリズムのモジュールとして追加できる、停滞検出と呼ばれるメカニズムを提案する。
論文 参考訳（メタデータ） (2020-04-07T11:02:10Z) - On the Performance of Metaheuristics: A Different Perspective [0.0]
我々は,遺伝的アルゴリズム (GA), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), Teaching-Learning-Based Optimization (TLBO), Cuckoo Optimization Algorithm (COA) のいくつかの基本的な進化的およびスワム知能メタヒューリスティックスについて検討した。
異なる特性を持つ20種類の最適化ベンチマーク関数について多数の実験が行われており、これらのメタヒューリスティックスの中での次の順位の他に、いくつかの基本的な結論が示されている。
論文 参考訳（メタデータ） (2020-01-24T09:34:10Z)
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。