GAE：通过强化优化进行科学发现的图增强进化

大语言模型 (LLM) 引导的进化程序搜索已成为自动化科学发现的强大范例。然而，当前的方法从根本上受到三个瓶颈的限制：结构上的盲目父选择、稀疏的整个程序评估奖励以及在搜索过程中无法适应的静态变异算子。我们提出了 GAE（图增强进化），这是一个通过紧密耦合的三支柱架构解决这些限制的框架。首先，关系图神经网络（GNN）将程序解析为类型化计算图，产生结构感知嵌入。其次，强化学习优化的元控制器利用这些嵌入，用定向策略取代盲目进化采样，根据奖励历史动态选择最佳父母和突变方向。第三，在线 GRPO 微调 循环在测试时使用组归一化评估奖励不断更新 LLM 突变算子，直接将模型的生成分布与高适应度结构编辑对齐。我们在一项具有挑战性的科学发现任务上评估 GAE：复杂非线性振荡器系统的符号回归。通过将随机搜索转变为有向的、自我改进的轨迹，GAE 可以有效地发现封闭形式的物理方程，始终匹配或优于静态 LLM 驱动的基线，并实现最先进的分布性能。