論文の概要: Direct From Darwin: Deriving Advanced Optimizers From Evolutionary First Principles
- arxiv url: http://arxiv.org/abs/2605.05284v2
- Date: Sun, 10 May 2026 18:20:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 16:21:29.37603
- Title: Direct From Darwin: Deriving Advanced Optimizers From Evolutionary First Principles
- Title（参考訳）: 進化的第一原理から高度な最適化を引き出す
- Authors: Daniel Grimmer,
- Abstract要約: 本稿では進化第一原理から直接、勾配に基づく高度な最適化アルゴリズムの組を導出する。
我々は、無性愛の文脈において、フィッシャーとライトの歴史的に反対された進化論は、実際には正式に等価であることを示した。
最先端のアダムでさえ、小さな手術によって進化の順守に導くことができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evolutionary computation has long promised to deliver both high-performance optimization tools as well as rigorous scientific simulations of Darwinian evolution. However, modern algorithms frequently abandon evolutionary fidelity for physics-inspired heuristics or superficial biological metaphors. This paper derives a suite of advanced gradient-based optimization algorithms directly from evolutionary first principles. We introduce Darwinian Lineage Simulations (DLS) to prove that, in an asexual context, Fisher's and Wright's historically opposed views of evolution are actually formally equivalent; One can partition Fisher's deterministically-evolving total population into Wright's randomly-drifting sub-populations. We prove that proper bookkeeping requires introducing a specific kind of structured noise (the DLS noise relation). Crucially, any bookkeeping choices which satisfy this relation will yield a faithful simulation of evolution. Using this vast representational freedom, we prove that a broad family of battle-tested optimization algorithms are already perfectly compatible with evolutionary dynamics. These include: Stochastic Gradient Descent as well as many regularizations/approximations of Newton's method and Natural Gradient Descent. By simply adding DLS noise (i.e., evolutionarily faithful genetic drift), these algorithms become scientifically valid in silico simulations of Darwinian evolution. Finally, we demonstrate that even the state-of-the-art Adam optimizer can be brought into evolutionary compliance through a minor mathematical surgery.
- Abstract（参考訳）: 進化計算は、ダーウィン進化の厳密な科学シミュレーションと同様に、高性能な最適化ツールを提供すると長年約束されてきた。
しかし、現代のアルゴリズムは物理学に触発されたヒューリスティックや表面的な生物学的比喩に進化の忠実さを放棄することが多い。
本稿では進化第一原理から直接、勾配に基づく高度な最適化アルゴリズムの組を導出する。
我々はダーウィン系線形シミュレーション(DLS)を導入し、無性愛の文脈においてフィッシャーとライトの歴史的に反対した進化観が、実際に正式に等価であることを証明する。
適切な簿記には,特定の種類の構造化ノイズ(DLSノイズ関係)を導入する必要があることを実証する。
重要なことに、この関係を満たす簿記の選択は、進化の忠実なシミュレーションをもたらす。
この広大な表現の自由を用いて、幅広い戦闘テスト最適化アルゴリズムのファミリーが、すでに進化力学と完全に互換性があることを証明した。
確率勾配 Descent や、ニュートン法や自然勾配 Descent の多くの正規化/近似。
DLSノイズ(進化的に忠実な遺伝的ドリフト)を単に加えることで、これらのアルゴリズムはダーウィン進化のシリコシミュレーションにおいて科学的に有効になる。
最後に、最先端のAdamオプティマイザでさえ、マイナーな数学的手術によって進化的コンプライアンスをもたらすことを実証する。
関連論文リスト
- EvoX: Meta-Evolution for Automated Discovery [115.89434419482797]
EvoXは、独自の進化過程を最適化する適応進化法である。
進捗に応じて、事前のソリューションが選択され、どのように変化するかを継続的に更新する。
AlphaEvolve, OpenEvolve, GEPA, ShinkaEvolveなどの既存のAI駆動の進化的手法を、タスクの大部分で上回っている。
論文 参考訳（メタデータ） (2026-02-26T18:54:41Z) - Position: Agentic Evolution is the Path to Evolving LLMs [56.733933092220845]
この制限に対処するには、新たなスケーリング軸進化が必要です。
既存の展開時適応手法では、障害を診断し、持続的な改善を生み出すために必要な戦略的機関が欠如している。
論文 参考訳（メタデータ） (2026-01-30T22:15:58Z) - Wasserstein Evolution : Evolutionary Optimization as Phase Transition [0.0]
Wasserstein Evolution (WE) は、自由エネルギー汎関数のWasserstein勾配流を実装する、原理化された最適化フレームワークである。
WEは,従来の方法よりも集団の多様性を劇的に高く保ちながら,競争収束性能を向上することを示す。
我々の研究は、効率的な最適化アルゴリズムだけでなく、統計物理学を通して進化的計算を理解するための新しいパラダイムも提供する。
論文 参考訳（メタデータ） (2025-12-05T16:12:31Z) - Evolution Transformer: In-Context Evolutionary Optimization [6.873777465945062]
本稿では、進化戦略のファミリーを柔軟に特徴付けることができる因果トランスフォーマーアーキテクチャである進化トランスフォーマーを紹介する。
進化的アルゴリズム蒸留(Evolutionary Algorithm Distillation)を用いてモデルの重み付けを訓練する。
進化変換器の動作特性を解析し,進化変換器を自己参照的に学習する手法を提案する。
論文 参考訳（メタデータ） (2024-03-05T14:04:13Z) - DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary
Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。
我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。
今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文 参考訳（メタデータ） (2023-12-08T16:51:10Z) - Phylogeny-informed fitness estimation [58.720142291102135]
本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。
以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。
この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
論文 参考訳（メタデータ） (2023-06-06T19:05:01Z) - Evolving Evolutionary Algorithms with Patterns [0.0]
このモデルは、MEP(Multi Expression Programming)技術に基づいている。
関数最適化のためのいくつかの進化的アルゴリズムは、考慮されたモデルを用いて進化する。
論文 参考訳（メタデータ） (2021-10-10T16:26:20Z) - Epigenetic opportunities for Evolutionary Computation [0.0]
進化計算(Evolutionary Computation)は、複雑な最適化問題を解くために用いられる生物学的にインスパイアされたアルゴリズムのグループである。
遺伝的遺伝からインスピレーションを得る進化的アルゴリズムと、文化的遺伝からインスピレーションを得るSwarm Intelligenceアルゴリズムに分けることができる。
本稿では, 進化的拡張合成に基づく生物学的枠組みの下で, バイオインスパイアされたアルゴリズムを成功裏に分解する。
論文 参考訳（メタデータ） (2021-08-10T09:44:53Z) - AdaLead: A simple and robust adaptive greedy search algorithm for
sequence design [55.41644538483948]
我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。
AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
論文 参考訳（メタデータ） (2020-10-05T16:40:38Z) - The data-driven physical-based equations discovery using evolutionary
approach [77.34726150561087]
与えられた観測データから数学的方程式を発見するアルゴリズムについて述べる。
このアルゴリズムは遺伝的プログラミングとスパース回帰を組み合わせたものである。
解析方程式の発見や偏微分方程式(PDE)の発見にも用いられる。
論文 参考訳（メタデータ） (2020-04-03T17:21:57Z) - Mimicking Evolution with Reinforcement Learning [10.35437633064506]
人工的な人間のような知性を発達させる道は、自然のシミュレーションで進化の過程を模倣することでもたらされると我々は主張する。
この研究は、進化的リワード(EvER)を通じて進化的リワード(Evolutionary Reward)を提案する。
論文 参考訳（メタデータ） (2020-03-31T18:16:53Z)
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。