論文の概要: GAE: Graph-Augmented Evolution for Scientific Discovery via Reinforcement Optimization
- arxiv url: http://arxiv.org/abs/2607.10127v1
- Date: Sat, 11 Jul 2026 05:32:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.308181
- Title: GAE: Graph-Augmented Evolution for Scientific Discovery via Reinforcement Optimization
- Title（参考訳）: GAE:強化最適化による科学発見のためのグラフ拡張進化
- Abstract要約: GAE(Graph-Augmented Evolution)は,大規模言語モデル(LLM)によってガイドされるプログラム探索のためのフレームワークである。
我々は、リレーショナルグラフニューラルネットワーク(GNN)を用いて、プログラムを型付き計算グラフに解析し、構造対応の埋め込みを生成する。
RL最適化メタコントローラは、これらの埋め込みを活用して、視覚的進化的サンプリングを指示されたポリシーで置き換える。
- 参考スコア（独自算出の注目度）: 1.7188280334580195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evolutionary program search guided by Large Language Models (LLMs) has emerged as a powerful paradigm for automated scientific discovery. However, current approaches are fundamentally constrained by three bottlenecks: structurally blind parent selection, sparse whole-program evaluation rewards, and static mutation operators that fail to adapt during search. We present GAE (Graph-Augmented Evolution), a framework that resolves these limitations through a tightly coupled, three-pillar architecture. First, a relational graph neural network (GNN) parses programs into typed computation graphs, producing structure-aware embeddings. Second, an RL-optimized meta-controller leverages these embeddings to replace blind evolutionary sampling with a directed policy, dynamically selecting optimal parents and mutation directions based on reward history. Third, an online GRPO fine-tuning loop continuously updates the LLM mutation operator at test-time using group-normalized evaluation rewards, directly aligning the model's generation distribution with high-fitness structural edits. We evaluate GAE on a challenging scientific discovery task: symbolic regression for complex nonlinear oscillator systems. By transforming stochastic search into a directed, self-improving trajectory, GAE efficiently discovers closed-form physical equations, consistently matching or outperforming static LLM-driven baselines and achieving state-of-the-art out-of-distribution performance.
- Abstract（参考訳）: LLM(Large Language Models)によって導かれる進化的プログラム探索は、自動科学的発見の強力なパラダイムとして登場した。
しかし、現在のアプローチは、構造的に盲目な親選択、プログラム全体の評価報酬のまばらさ、検索中に適応できない静的突然変異演算子という3つのボトルネックによって、基本的に制限されている。
GAE(Graph-Augmented Evolution)は、密結合された3つのピラーアーキテクチャによってこれらの制限を解決するフレームワークである。
まず、リレーショナルグラフニューラルネットワーク(GNN)がプログラムを型付き計算グラフに解析し、構造対応の埋め込みを生成する。
第二に、RL最適化メタコントローラは、これらの埋め込みを活用して、視覚的な進化的サンプリングを、報酬履歴に基づいて最適な両親と突然変異方向を動的に選択する、指示されたポリシーに置き換える。
第3に、オンラインGRPOファインチューニングループは、グループ正規化評価報酬を使用して、LLM突然変異演算子をテスト時に継続的に更新し、モデル生成分布と高適合性構造編集を直接整列する。
我々は、複雑な非線形発振器系の記号回帰という、挑戦的な科学的発見課題において、GAEを評価する。
確率探索を自己改善軌道に変換することにより、GAEは閉形式の物理方程式を効率よく発見し、静的LLM駆動のベースラインを一貫してマッチングまたは出力し、最先端のアウト・オブ・ディストリビューション性能を達成する。
関連論文リスト
- Temporal Memory-Aware Online Test-Time Adaptation on Dynamic Graphs [52.31268996286955]
グラフ上のテスト時間適応(TTA)は、トレーニンググラフ上で十分にトレーニングされたグラフニューラルネットワーク(GNN)をテストグラフに適応させることを目的としている。
DGOTTAと呼ばれる動的グラフ上での時間的メモリを考慮したオンラインテスト時間適応のフレームワークを提案し、テスト時間中によく訓練されたDGNNを効果的に適応させる。
論文 参考訳（メタデータ） (2026-08-28T05:41:39Z) - EvoOptiGraph: Weakness-Driven Coevolution via Graph-Based Structural Generation for Optimization Modeling [19.76518386029908]
EvoOptiGraphは、モデル弱点によって駆動される、データとモデルが共進化するフレームワークである。
トレーニングは、初期データセット上の教師付き微調整(SFT)と、検証可能な報酬付き強化学習(RLVR)の2段階で行われる。
その結果,EvoOptiGraphの精度,実行可能性,一般化において,より大規模なジェネラリストモデル,エージェント手法,特殊ベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2026-06-25T03:57:07Z) - Graph Neural Networks for Fast Operator Selection in Adaptive VQE [0.0]
相互作用グラフと状態依存オブザーバブルから直接次のエンタングル演算子を予測するグラフニューラルネットワーク(GNN)ポリシーを導入する。
学習ポリシーは、グリーディ勾配に基づく選択規則の支配的な構造を正確に再現する。
変分量子固有解法(VQE)ワークフローに統合されたこのGNN-VQEアプローチは、標準的なADAPT-VQEに近いエネルギー誤差を達成する。
論文 参考訳（メタデータ） (2026-06-07T19:18:47Z) - CliffSearch: Structured Agentic Co-Evolution over Theory and Code for Scientific Algorithm Discovery [8.600891931062277]
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。
論文 参考訳（メタデータ） (2026-04-01T17:51:26Z) - AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。
AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-23T18:45:31Z) - Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts [60.60414602796664]
ゼロショットGADのための進化的ルータ特徴生成(EvoFG)を備えた新しいMoEフレームワークを提案する。
EvoFGは最先端のベースラインを一貫して上回り、強力で安定したゼロショットGAD性能を実現している。
論文 参考訳（メタデータ） (2026-02-12T06:16:51Z) - 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) - Predict the Retrieval! Test time adaptation for Retrieval Augmented Generation [66.36556189794526]
TTARAGは、特殊ドメインにおけるRAGシステム性能を改善するために、推論中に言語モデルのパラメータを動的に更新するテスト時適応手法である。
提案手法では,モデルが検索した内容の予測を学習し,対象領域への自動パラメータ調整を可能にする。
論文 参考訳（メタデータ） (2026-01-16T17:07:01Z) - Think-on-Graph 3.0: Efficient and Adaptive LLM Reasoning on Heterogeneous Graphs via Multi-Agent Dual-Evolving Context Retrieval [35.65907480060404]
Think-on-Graph 3.0 (ToG-3) は、制約を克服するためにMulti-Agent Context Evolution and Retrieval (MACER) メカニズムを導入した新しいフレームワークである。
我々の中心となる革新は、チャンク・トリプレット・コミュニティ・ヘテロジニアスグラフ指数の動的構築と洗練である。
マルチエージェントシステムは、エビデンス検索、回答生成、十分性、そして決定的に進化するクエリとサブグラフの反復的なプロセスに関与する。
論文 参考訳（メタデータ） (2025-09-26T00:13:10Z) - Pre-trained Graphformer-based Ranking at Web-scale Search (Extended Abstract) [56.55728466130238]
本稿では,変換器の回帰能力をGNNのリンク予測強度と統合することを目的とした新しいMPGrafモデルを提案する。
我々は、MPGrafの性能を厳格に評価するために、大規模なオフラインおよびオンライン実験を行っている。
論文 参考訳（メタデータ） (2024-09-25T03:33:47Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z)
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。