SMCEvolve는 LLM 기반 프로그램 진화를 보상 기울기 목표 분포에서의 샘플링으로 재해석하고 순차 몬테카를로(SMC) 샘플러로 근사하는 프레임워크다. 적응형 부모 리샘플링, 수용이 있는 변형 혼합, 자동 수렴 제어라는 세 가지 원칙적 메커니즘을 도출하고 목표 근사 오류에 도달하기 위한 LLM 호출 예산의 유한 샘플 복잡도 분석을 제공한다. 수학, 알고리즘 효율, 기호 회귀, ML 연구 벤치마크에서 자가 결정 종료 방식으로 더 적은 LLM 호출을 사용하면서 최신 진화 시스템을 능가했다.
- •LLM 프로그램 진화를 SMC 샘플러로 재해석해 원칙적 검색 알고리즘 보장을 제공한다.
- •세 가지 핵심 메커니즘(리샘플링·변형 혼합·수렴 제어)과 유한 샘플 복잡도 분석을 제시한다.
- •자가 결정 종료 방식으로 기존 시스템보다 적은 LLM 호출로 수학·알고리즘·기호 회귀 등 다양한 벤치마크에서 성능이 우수하다.
- •코드는 공개 리포지토리로 제공되는 오픈소스 시스템이다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
SMCEvolve: Principled Scientific Discovery via Sequential Monte Carlo Evolution
- 1.SMCEvolve는 프로그램 검색을 보상 기울기 분포 샘플링으로 재해석한 시퀀셜 몬테카를로 프레임워크
- 2.적응적 부모 재샘플링·돌연변이 혼합·자동 수렴 제어 세 가지 원칙적 메커니즘 도출
- 3.수학·알고리즘·기호 회귀·ML 연구 벤치마크에서 최신 기술보다 LLM 호출 더 적게 사용하며 우수
- 4.LLM 기반 자동 발견에 수렴 보장을 제공하는 최초의 원칙적 접근법
왜 중요한가?
AI 기반 과학적 발견 자동화에서 수렴 보장 없는 기존 방법의 한계를 극복하여 더 효율적이고 이론적으로 검증된 자동 발견 시스템을 가능하게 한다.
언급 프로젝트
본문 미리보기
arXiv:2605.15308v1 Announce Type: new Abstract: LLM-driven program evolution has emerged as a powerful tool for automated scientific discovery, yet existing frameworks offer no principled guide for designing their individual components and provide no guarantee that the search converges. We introduce SMCEvolve, which recasts program search as sampling from a reward-tilted target distribution and approximates it with a Sequential Monte Carlo (SMC) sampler. From this view, three core mechanisms em
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
