GraphIR：LLM 引导的神经架构进化的架构级搜索状态

大语言模型 (LLM) 可以直接通过可执行神经网络程序进行神经架构搜索 (NAS)。然而，代码级灵活性并不能提供有效突变所需的架构状态：LLM 必须从实现细节推断张量依赖性、可编辑组件和兼容性约束。为了解决这种表示不匹配的问题，我们提出了 GraphIR，这是一种架构感知的中间表示，它用突变对齐的候选状态补充了可执行程序。 GraphIR 通过三个互补的视图来组织每个候选者：描述张量流的计算骨架、暴露可编辑模块和操作的突变表面，以及捕获接口契约、传播形状和下游依赖项的有效性包络。为了评估我们的方法，我们构建了 NAS-Dependency，这是一个包含 120 个问题的基准，涵盖六个互补的依赖推理维度。诊断结果表明，GraphIR 在识别准确的生产者事件、跟踪依赖关系传播以及诊断接口和故障风险方面特别有效。在包括 CLRS 在内的六个下游基准测试中，当集成到 OpenEvolve 中时，GraphIR 实现了最佳的整体搜索性能，同时保持了可比的模型大小和良好的端到端 NAS 效率。这些结果表明，面向突变的架构状态在可执行神经程序和 LLM 引导的架构演化之间提供了有效的接口。