Gang Liu Yihan Zhu Jie Chen Meng Jiang

Abstract

Große Sprachmodelle bergen großes Potenzial als wissenschaftliche Assistenten, doch bestehende Agenten stützen sich entweder ausschließlich auf die algorithmische Evolution oder auf isolierte, tiefgreifende Forschung – beide Ansätze weisen kritische Grenzen auf. Reine algorithmische Evolution, wie beispielsweise bei AlphaEvolve, beruht ausschließlich auf dem internen Wissen der Sprachmodelle und erreicht schnell eine Plateau-Phase in komplexen Domänen, während reine tiefgreifende Forschung Ideen vorschlägt, ohne diese zu validieren, was zu unrealistischen oder nicht umsetzbaren Lösungen führt. Wir präsentieren DeepEvolve, einen Agenten, der tiefgreifende Forschung mit algorithmischer Evolution verbindet und externe Wissensabfrage, mehrfachdateibasierte Code-Editierung sowie systematisches Debugging in einer feedbackgesteuerten, iterativen Schleife integriert. Jede Iteration formuliert nicht nur neue Hypothesen, sondern verfeinert, implementiert und testet diese gleichzeitig, wodurch sowohl oberflächliche Verbesserungen als auch produktivitätsmindernde Überverfeinerungen vermieden werden. Auf neun Benchmarks aus den Bereichen Chemie, Mathematik, Biologie, Materialwissenschaften und Patente zeigt DeepEvolve konsistent eine Verbesserung des Ausgangsalgorithmus und erzeugt ausführbare neue Algorithmen mit nachhaltigen Fortschritten. Indem DeepEvolve die Lücke zwischen ungeführter Evolution und forschungsorientierter Arbeit ohne fachliche Grundlage schließt, bietet es ein zuverlässiges Framework zur Weiterentwicklung der algorithmischen Entdeckung in der Wissenschaft. Unser Quellcode ist unter diesem https-URL verfügbar.