Gang Liu Yihan Zhu Jie Chen Meng Jiang

Résumé

Les grands modèles linguistiques offrent un potentiel prometteur en tant qu’assistants scientifiques, mais les agents existants reposent soit exclusivement sur l’évolution algorithmique, soit sur une recherche approfondie menée de manière isolée — deux approches qui présentent des limites critiques. L’évolution algorithmique pure, comme dans AlphaEvolve, ne s’appuie que sur les connaissances internes des modèles linguistiques et atteint rapidement un plateau dans des domaines complexes, tandis que la recherche approfondie pure propose des idées sans validation, conduisant à des solutions irréalistes ou non exploitables. Nous présentons DeepEvolve, un agent qui intègre la recherche approfondie à l’évolution algorithmique, en combinant la récupération de connaissances externes, l’édition de code à travers plusieurs fichiers et le débogage systématique dans une boucle itérative pilotée par des retours. À chaque itération, DeepEvolve ne se contente pas de proposer de nouvelles hypothèses, mais les affine, les implémente et les teste, évitant ainsi à la fois les améliorations superficielles et les sur-références productives. Sur neuf benchmarks couvrant la chimie, les mathématiques, la biologie, les matériaux et les brevets, DeepEvolve améliore de manière cohérente l’algorithme initial, produisant des algorithmes exécutables avec des gains durables. En comblant le fossé entre une évolution non guidée et une recherche dépourvue de fondement, DeepEvolve fournit un cadre fiable pour l’avancement de la découverte d’algorithmes scientifiques. Notre code est disponible à l’adresse suivante : [URL].