标签
本文首次对一条自我发现的强化学习规则(Disco103)进行了因果机制审计,通过状态固定、冻结与移植等方法,确定在"经验时代"的五大支柱中,持续的循环学习历史何时是资产、何时是负担,并在第二条规则(OPEN)上验证了研究结论。
EvoPINN 是一个智能体式框架,将 PINN 开发重新表述为基于执行验证的算法发现问题,利用 LLM 智能体提出程序化修改。它能够自主发现针对 PDE 特化的学习算法,包括一种名为 SLRC-PINN 的新型架构,该架构在多种 PDE 场景中均优于基线方法。
介绍AgentNAS,一种利用大语言模型(LLM)生成初始架构并将其分解为槽位架构的机制,从而为传统神经架构搜索(NAS)定义任务特定的搜索空间,在17项任务中的11项上取得了最先进的结果。
本文提出将科学发现形式化为一个元优化问题,其中LLM通过相关性加权投票生成并聚合目标函数,应用于使用数字MemComputing的3-SAT算法发现,在大规模实例上实现了67倍的加速。
本文提出Delta-Star,一种采用AlphaZero风格自我对弈的深度强化学习方法,通过与LLL算法的原始操作交互,发现更优的格基约简策略。学习到的策略无需重新训练即可泛化到更高维度和未见过的模数。
MLEvolve是一个基于LLM的自我进化多智能体框架,用于自动化机器学习算法发现。它将树搜索扩展为Progressive MCGS,并引入基于图的跨分支信息流和Retrospective Memory。该框架在MLE-Bench上取得了最先进的性能,并在数学算法优化任务上优于AlphaEvolve。
本文在Dyck路径的zeta映射双射上训练了一个小型单层编码器-解码器transformer,并使用机制可解释性提取了一种新的显式算法(称为脚手架映射),展示了AI辅助的数学发现方法。
# 论文页面 - 大型语言模型能否重塑基础算法? 来源:[https://huggingface.co/papers/2604.05716](https://huggingface.co/papers/2604.05716) **在我们让 LLM“遗忘”之后,它们还能从零重塑 Dijkstra、Euclid 等基础算法吗?** 我们 loosely 将 Hassabis 的“爱因斯坦测试”搬到算法领域:先用“反学习”把目标算法从模型中抹去,再检验它能否独立重新发明。最新研究表明 LLM 具备这种潜力。