대형 언어 모델(LLM)을 활용한 자동 알고리즘 설계가 발전하면서, LLM이 최적화(메타)휴리스틱을 생성하고, 방대한 설계 공간을 탐색하며, 반복적인 피드백을 통해 적응하는 단계에 이르렀다. 그러나 현재의 LLM 기반 접근 방식은 성능 중심적이며 투명성이 부족하다. 본 논문은 자동화를 넘어, 체계적인 벤치마킹을 통한 이해를 결합하는 것이 다음 혁신을 가져올 것이라고 주장한다. 본 논문은 (i) LLM 기반 알고리즘 변형 발견, (ii) 성능을 구성 요소 및 하이퍼파라미터에 귀속시키는 설명 가능한 벤치마킹, (iii) 알고리즘 동작과 문제 구조를 연결하는 문제 클래스 설명자를 기반으로 하는 설명 가능한 자동 알고리즘 설계를 제시한다. 이러한 요소들이 결합된 지식 루프는 발견, 설명, 일반화를 상호 강화하며, 이는 무작위 탐색에서 해석 가능하고 클래스별 알고리즘 설계로의 전환을 촉진하여, 최적화 전략의 성공 요인에 대한 재사용 가능한 과학적 통찰력을 제공할 것이다.
