Gang Liu Yihan Zhu Jie Chen Meng Jiang

الملخص

تُعد النماذج اللغوية الكبيرة واعدة كمساعدين علميين، لكن الوكلاء الحاليين إما يعتمدون بالكامل على تطوير الخوارزميات أو على البحث العميق بشكل منعزل، وكلا النهج يواجه قيودًا جوهرية. فالتقنية التي تعتمد فقط على تطوير الخوارزميات، مثل ما يُطبّق في AlphaEvolve، تعتمد حصريًا على المعرفة الداخلية للنماذج اللغوية الكبيرة، وتحتاج إلى وقت قصير لبلوغ حالة التوقف في المجالات المعقدة، بينما يُقدّم البحث العميق المُجرّد أفكارًا دون التحقق منها، ما يؤدي إلى حلول غير واقعية أو غير قابلة للتطبيق. نقدّم DeepEvolve، وهو وكيل يدمج بين البحث العميق وتطوير الخوارزميات، من خلال دمج استرجاع المعرفة الخارجية، وتحرير الشيفرة عبر ملفات متعددة، والتصحيح المنظّم ضمن حلقة تكرارية مدفوعة بالاستجابة. في كل تكرار، لا يُقترح فقط فرضيات جديدة، بل يتم أيضًا تحسينها وتنفيذها واختبارها، مما يُجنب النتائج سطحية التحسينات أو التحسينات المفرطة غير المنتجة. على تسع معايير في مجالات الكيمياء والرياضيات والأحياء والمواد وبراءات الاختراع، أظهر DeepEvolve تحسينًا مستمرًا للخوارزمية الأولية، ما نتج عنه خوارزميات جديدة قابلة للتنفيذ مع مكاسب مستدامة. وبما يُسهم في سد الفجوة بين التطور غير الموجه والبحث دون أساس واقعي، يقدّم DeepEvolve إطارًا موثوقًا لدفع عجلة اكتشاف الخوارزميات العلمية. يمكن الوصول إلى الشيفرة المصدرية لدينا عبر الرابط التالي: هذا الرابط.