Wissenschaftliche Algorithmenentdeckung durch Erweiterung von AlphaEvolve mit tiefgehender Forschung

Scientific Algorithm Discovery by Augmenting AlphaEvolve with Deep Research

October 7, 2025

papers.authors: Gang Liu, Yihan Zhu, Jie Chen, Meng Jiang

cs.AI

papers.abstract

Große Sprachmodelle bergen Potenzial als wissenschaftliche Assistenten, doch bestehende Agenten verlassen sich entweder ausschließlich auf Algorithmenentwicklung oder auf tiefgehende Forschung in Isolation, wobei beide Ansätze kritische Einschränkungen aufweisen. Reine Algorithmenentwicklung, wie bei AlphaEvolve, stützt sich nur auf das interne Wissen der Sprachmodelle und erreicht in komplexen Domänen schnell ein Plateau, während reine tiefgehende Forschung Ideen ohne Validierung vorschlägt, was zu unrealistischen oder nicht umsetzbaren Lösungen führt. Wir präsentieren DeepEvolve, einen Agenten, der tiefgehende Forschung mit Algorithmenentwicklung verbindet und externe Wissensabfrage, übergreifende Code-Bearbeitung und systematisches Debugging in einem feedbackgesteuerten iterativen Prozess vereint. Jede Iteration schlägt nicht nur neue Hypothesen vor, sondern verfeinert, implementiert und testet sie auch, wodurch sowohl oberflächliche Verbesserungen als auch unproduktive Überverfeinerungen vermieden werden. Über neun Benchmarks in den Bereichen Chemie, Mathematik, Biologie, Materialwissenschaften und Patente hinweg verbessert DeepEvolve kontinuierlich den Ausgangsalgorithmus und erzeugt ausführbare neue Algorithmen mit anhaltenden Fortschritten. Indem DeepEvolve die Lücke zwischen ungeleiteter Evolution und unbegründeter Forschung schließt, bietet es ein zuverlässiges Rahmenwerk zur Förderung der Entdeckung wissenschaftlicher Algorithmen. Unser Code ist verfügbar unter https://github.com/liugangcode/deepevolve.

English

Large language models hold promise as scientific assistants, yet existing agents either rely solely on algorithm evolution or on deep research in isolation, both of which face critical limitations. Pure algorithm evolution, as in AlphaEvolve, depends only on the internal knowledge of LLMs and quickly plateaus in complex domains, while pure deep research proposes ideas without validation, resulting in unrealistic or unimplementable solutions. We present DeepEvolve, an agent that integrates deep research with algorithm evolution, uniting external knowledge retrieval, cross-file code editing, and systematic debugging under a feedback-driven iterative loop. Each iteration not only proposes new hypotheses but also refines, implements, and tests them, avoiding both shallow improvements and unproductive over-refinements. Across nine benchmarks in chemistry, mathematics, biology, materials, and patents, DeepEvolve consistently improves the initial algorithm, producing executable new algorithms with sustained gains. By bridging the gap between unguided evolution and research without grounding, DeepEvolve provides a reliable framework for advancing scientific algorithm discovery. Our code is available at https://github.com/liugangcode/deepevolve.