T-GADE：热力学生成式 AI 驱动的 LLM 产物进化框架

查看 PDF HTML（实验性）

摘要：将大语言模型（LLM）引入进化计算，使候选解能够进行语义生成，但维持种群多样性这一经典问题依然存在。受热力学遗传算法（TDGA）启发，我们提出 T-GADE（Thermodynamical Generative-AI-Driven Evolution of LLM Artifacts），一个通过 LLM 扩展的进化计算框架。T-GADE 保留了种群和遗传算子的概念，将 LLM 生成的结构化产物作为个体，并将交叉和变异实现为 LLM 算子。它进一步引入了 HoxLM，一个在评估之后、生存选择之前尝试对个体进行自我修复的 LLM；两种更新方案，即世代式和稳态式；以及费米型和玻色型占据规则，用于定义解的身份以及是否允许重复。生存选择被统一为自由能 $F_T=\langle E\rangle-TH$ 的最小化，选择温度 $T$ 显式控制质量与多样性之间的平衡。我们在在线装箱任务上测试了一个与启发式进化（EoH）对齐的实现示例，其中超出量是指箱数超过体积下界的部分相对于该下界的比例。配备 HoxLM 的配置以比 EoH 更少的总 LLM 调用次数达到了更低的超出量。在 400 次总调用的预注册比较中，它在 10 次种子配对运行中赢得了 9 次，封存超出量中位数为 0.836%，而 EoH 为 3.912%，并且在均值和最坏情况下也更优。在两种更新方案下，温度控制着保留种群的分布范围，并且在世代式玻色型方案中，较小的正温度相比坍缩的 $T=0$ 点提高了训练质量。进化出的启发式以可读的评分规则形式展示。

评论：	v2：12 页，4 幅图，6 张表。将 T-GADE 呈现为一个通用的、多样性感知的、基于 LLM 的进化计算框架，并给出一个与 EoH 对齐的实现示例；报告了一项预注册的种子配对比较，其中配备宿主的配置以比 EoH 更少的总 LLM 调用次数达到低超出量，并将选择温度视为显式的多样性控制
主题：	人工智能（cs.AI）；神经与进化计算（cs.NE）
引用为：	arXiv:2609.12286 [cs.AI]
	（或 arXiv:2609.12286v2 [cs.AI] 用于此版本）
	https://doi.org/10.48550/arXiv.2609.12286 arXiv 颁发的 DOI，通过 DataCite

提交历史

来自：Kyoko Ogawa [查看邮箱]
[v1] 2026 年 9 月 10 日星期四 23:33:37 UTC（90 KB）
[v2] 2026 年 10 月 14 日星期三 22:40:12 UTC（28 KB）