日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

進化計算arXiv:2602.22260

進化アルゴリズムのパラメータ制御のためのコード世界モデル

Code World Models for Parameter Control in Evolutionary Algorithms

シェア:XThreadsFacebookLINEはてブBluesky

LLMが最適化器の動きを予測するPythonプログラムを合成し、そのシミュレータ上での貪欲計画により突然変異強度を適応的に選択する手法を提案。理論最適に近い性能や欺瞞的な問題での完全成功を達成。

詳しい要約

1. どんなもの?

- LLMが最適化アルゴリズムの振る舞いを学習し、制御に利用できるかを探求する研究。 - Code World Models (CWM) を拡張し、決定論的ゲームから確率的組合せ最適化へ適用。 - (1+1)-RLS_k の準最適軌跡からLLMが最適化器のダイナミクスのシミュレータを合成。 - シミュレータ上での貪欲計画により各ステップで突然変異強度 k を選択。

2. 先行研究と比べてどこがすごい?

- 従来のCWMは決定論的ゲームに限定されていたが、本研究は確率的組合せ最適化に拡張。 - 理論的最適ポリシーの軌跡を一切見ずに、CWM-greedyが理論的最適ポリシーの6%以内の性能を達成。 - 欺瞞的な谷を持つ Jump_k で、適応ベースラインが全て失敗(成功率0%)するのに対し、CWM-greedyは成功率100%。 - 閉形式モデルが存在しないNK-Landscapeで、15の独立生成インスタンスで全ベースラインを上回る(36.94 vs. 36.32; p<0.001)。 - DQNと比較してサンプル効率(200オフライン軌跡 vs. 500オンラインエピソード)、成功率(100% vs. 58%)、汎化性能(k=3: 78% vs. 0%)で優位。

3. 技術・手法の肝は?

- LLMが(1+1)-RLS_kの準最適軌跡から最適化器のダイナミクスを予測するPythonプログラム(CWM)を合成。 - 合成されたシミュレータ上で貪欲計画を行い、各ステップで突然変異強度 k を選択。 - プロンプトに経験的遷移統計を含めることで、NK-Landscapeでも機能。 - オフライン軌跡のみを使用し、オンラインインタラクションを必要としない。

4. どうやって有効だと検証した?

- LeadingOnes (lo) と OneMax で、理論的最適ポリシーの6%以内の性能を達成。 - Jump_k で、適応ベースラインが成功率0%の中、CWM-greedyは成功率100%。 - NK-Landscape で、15の独立生成インスタンスにおいて全ベースラインを上回る(36.94 vs. 36.32; p<0.001)。 - DQNとの比較で、サンプル効率、成功率、汎化性能で優位。 - 5回の独立実行で安定した合成を確認するロバスト性実験。

5. 議論はある?

- 要旨からは、CWMの限界や失敗ケースについての議論は不明。 - プロンプトに経験的遷移統計を含めることの重要性が示唆されるが、詳細な議論は要旨からは不明。 - 他の最適化問題やアルゴリズムへの一般化可能性については言及されていない。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: DQN、適応ベースライン(具体的名称は不明)。 - 関連手法: Code World Models (CWM)、(1+1)-RLS_k、NK-Landscape、Jump_k、LeadingOnes、OneMax。 - 同分野の定番: 進化計算、強化学習、LLMによるプログラム合成。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Camilo Chacón Sartori, Guillem Rodríguez Corominas

分類: cs.LG, cs.NE

原文アブストラクト

Can an LLM learn how an optimizer behaves -- and use that knowledge to control it? We extend Code World Models (CWMs), LLM-synthesized Python programs that predict environment dynamics, from deterministic games to stochastic combinatorial optimization. Given suboptimal trajectories of $(1{+}1)$-$\text{RLS}_k$, the LLM synthesizes a simulator of the optimizer's dynamics; greedy planning over this simulator then selects the mutation strength $k$ at each step. On \lo{} and \onemax{}, CWM-greedy performs within 6\% of the theoretically optimal policy -- without ever seeing optimal-policy trajectories. On \jump{$_k$}, where a deceptive valley causes all adaptive baselines to fail (0\% success rate), CWM-greedy achieves 100\% success rate -- without any collection policy using oracle knowledge of the gap parameter. On the NK-Landscape, where no closed-form model exists, CWM-greedy outperforms all baselines across fifteen independently generated instances ($36.94$ vs.\ $36.32$; $p<0.001$) when the prompt includes empirical transition statistics. The CWM also outperforms DQN in sample efficiency (200 offline trajectories vs.\ 500 online episodes), success rate (100\% vs.\ 58\%), and generalization ($k{=}3$: 78\% vs.\ 0\%). Robustness experiments confirm stable synthesis across 5 independent runs.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI