作为元优化的科学发现：组合优化案例研究

摘要

科学发现本质上是优化问题——由理论与实验的庞大“状态空间”及基于质量、新颖性与有效性的评价准则定义。大语言模型（LLM）已使该空间的自动探索成为可能——但我们主张同时修改评价准则同等重要。此处——我们提出把研究形式化为元优化——优化目标本身也在被优化。我们的关键贡献是“共识目标聚合”：LLM生成的目标函数经相关性加权投票组合——产生随理解加深而演化的稳定、自校正评价准则。我们将该框架应用于基于数字MemComputing机器的3-SAT问题算法发现——把基线随问题规模N的扩展从约N^2.51降到约N^1.33——并在所测最大实例上取得约67倍加速。作为问题无关框架——我们希望该方法将极大助力科学发现。

作为元优化的科学发现：组合优化案例研究：论文配图 — 图 1：框架概述。该系统由迭代循环中的四个大语言模型代理组成。元智能体从人类设计的高层次研究目标出发，设定研究策略，指导目标生成并分析目标质量。目标代理提出反映解决方案质量不同方面的代理目标函数；这些都有助于达成共识目标，通过相关加权投票来汇总排名。规划代理在共识目标下使用蒙特卡罗图搜索（MCGS）来确定战略研究方向。设计者代理将这些方向转化为具体的实现，并通过多保真度执行引擎进行测试，该引擎将计算预算分配给最有前途的设计。超参数优化模块定期调整领先设计的参数。