From Understanding to Excelling: Template-Free Algorithm Design through Structural-Functional Co-Evolution
Created by
Haebom
Category
Empty
저자
Zhe Zhao, Haibin Wen, Pengkun Wang, Ye Wei, Zaixi Zhang, Xi Lin, Fei Liu, Bo An, Hui Xiong, Yang Wang, Qingfu Zhang
개요
본 논문은 대규모 언어 모델(LLM)을 기반으로 알고리즘 생성 및 최적화를 위한 엔드투엔드 프레임워크를 제시합니다. 기존의 EoH나 FunSearch와 같은 방법들이 사전 정의된 템플릿과 전문가가 지정한 함수에 의존하여 국소적 최적화에만 집중하는 것과 달리, 본 연구는 LLM의 심층적인 의미 이해 능력을 활용하여 자연어 요구사항이나 논문을 코드로 변환하고, 기능적 및 구조적 측면을 동시에 최적화하는 2차원 공진화 전략을 사용합니다. 문제 분석, 코드 생성, 전역 최적화를 포함하는 폐쇄 루프 프로세스를 통해 다수준의 공동 최적화를 위한 핵심 알고리즘 모듈을 자동으로 식별하고, 성능과 설계 혁신을 지속적으로 향상시킵니다. 실험 결과, 제시된 방법은 기존의 국소적 최적화 방법보다 성능과 혁신 측면에서 우수하며, 알 수 없는 환경에 대한 적응력이 강하고 구조 설계에서 획기적인 잠재력을 보여줍니다. 인간의 연구를 기반으로 하여 인간 전문가가 설계한 알고리즘을 능가하는 새로운 알고리즘을 생성하고 최적화하여, 알고리즘 설계에 대한 LLM의 적용 가능성을 넓히고 자동화된 알고리즘 개발을 위한 새로운 해결책을 제공합니다.
