Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Découverte algorithmique automatisée pour la détection des ondes gravitationnelles guidée par la recherche d'arbres de Monte Carlo évolutifs informés par LLM

Created by
  • Haebom

Auteur

He Wang, Liang Zeng

Contour

Cet article propose la recherche arborescente de Monte Carlo évolutive (Evo-MCTS), une nouvelle méthodologie de détection de signaux d'ondes gravitationnelles dont les paramètres sources sont inconnus et noyés dans le bruit dynamique du détecteur. Evo-MCTS explore systématiquement l'espace de résolution de l'algorithme en intégrant les conseils d'un modèle de langage à grande échelle (LLM) et des contraintes physiques sensibles au domaine. En combinant l'exploration stratégique à l'aide de MCTS et l'affinement de la solution via des algorithmes évolutifs, Evo-MCTS maintient l'interprétabilité tout en fournissant des heuristiques sensibles au domaine grâce à la génération explicite de chemins algorithmiques. Sur le jeu de données de référence MLGWSC-1, Evo-MCTS obtient des performances supérieures de 20,2 % à celles du précédent algorithme de détection d'ondes gravitationnelles de pointe et de 59,1 % à celles des autres cadres d'optimisation d'algorithmes basés sur LLM. Ce cadre présente une méthodologie transférable pour la découverte automatisée d'algorithmes dans toutes les disciplines des sciences informatiques.

Takeaways, Limitations

•
Takeaways:
◦
Nous avons considérablement amélioré les performances des algorithmes de détection des ondes gravitationnelles en utilisant LLM (amélioration de 20,2 % et 59,1 %).
◦
Nous avons résolu le problème de la dépendance théorique prédéterminée des informations préalables et de l'ininterprétabilité des réseaux neuronaux dans les méthodes existantes Limitations.
◦
Nous présentons une méthodologie de découverte d’algorithmes automatisés applicable dans tous les domaines de la science informatique.
◦
Nous présentons une nouvelle approche qui fournit des heuristiques sensibles au domaine tout en maintenant l'interprétabilité du LLM.
•
Limitations:
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité de la méthodologie présentée dans cet article.
◦
D’autres évaluations des performances sont nécessaires pour différents types de signaux d’ondes gravitationnelles et d’environnements de bruit.
◦
Une analyse de l’impact de la taille du LLM et du coût de calcul sur les performances est nécessaire.
👍
Made with Slashpage