연구진은 진화 알고리즘과 대형 언어모델을 결합해 코드와 설명이 함께 있는 '구조적 아티팩트'를 진화시키는 T-GADE를 제안했다. 열역학적 유전 알고리즘을 LLM 기반 유전 연산자와 아티팩트 단위 다양성 평가로 확장하고, 페르미형·보스형 점유 규칙으로 개체 다양성을 제어하는 공통 자유 에너지 목적함수를 도입했다. EoH 논문의 온라인 빈 패킹 과제에서 생성형 보스형 T-GADE(T=0.003)가 20회 실행 평균 학습 초과율을 1.152%에서 0.815%로 약 29% 줄였으며(p=0.042), 검증 기반 후보 선택 시 전이 초과율에서도 기존 EoH와 동등한 0.496%를 달성했다. 열역학적 선택 방식이 LLM 기반 진화 계산의 다양성-품질 균형을 개선하는 실용적 도구가 될 수 있음을 보여준다.

• •LLM 유전 연산자와 아티팩트 단위 다양성 평가로 열역학적 유전 알고리즘을 확장한 T-GADE 제안
• •페르미형(중복 제외)·보스형(중복 허용) 점유 규칙을 공통 자유 에너지 목적함수로 통합
• •온라인 빈 패킹 과제에서 생성형 보스형 T-GADE가 학습 초과율을 1.152%→0.815%로 약 29% 감소(p=0.042)
• •검증 기반 후보 선택 시 전이 초과율 0.496%로 기존 EoH와 동등한 성능 달성
• •기존 EoH의 제로온도 생존 규칙을 복원하는 조건을 이론적으로 도출