Gang Liu Yihan Zhu Jie Chen Meng Jiang

초록

대규모 언어모델은 과학적 보조자로서 큰 잠재력을 지니고 있으나, 기존의 에이전트들은 either 순수한 알고리즘 진화에만 의존하거나, 고립된 깊은 연구에만 의존하는 등 두 가지 모두 심각한 한계를 안고 있다. 순수한 알고리즘 진화(예: AlphaEvolve)는 대규모 언어모델(LLM) 내부 지식에만 의존하기 때문에, 복잡한 도메인에서는 빠르게 포화 상태에 이르게 되며, 반면 순수한 깊은 연구는 검증 없이 아이디어를 제안함으로써 현실성 없거나 구현 불가능한 해법을 초래한다. 본 연구에서는 깊은 연구와 알고리즘 진화를 통합한 DeepEvolve를 제안한다. 이 에이전트는 피드백 기반의 반복적 루프 안에서 외부 지식 검색, 다중 파일 코드 편집, 체계적인 디버깅을 통합하여 작동한다. 각 반복 과정은 새로운 가설을 제안할 뿐 아니라, 이를 정교화하고 구현하며 검증함으로써 얕은 개선이나 생산성 없는 과도한 정교화를 피한다. 화학, 수학, 생물학, 재료, 특허 등 9개의 벤치마크에서 DeepEvolve는 초기 알고리즘을 일관되게 개선하며, 지속적인 성능 향상과 실행 가능한 새로운 알고리즘을 도출해냈다. 무방향적 진화와 지식 기반 없이 수행되는 연구 사이의 격차를 해소함으로써, DeepEvolve는 과학적 알고리즘 탐색의 신뢰할 수 있는 프레임워크를 제공한다. 코드는 이 URL에서 공개되어 있다.