Descubrimiento de Algoritmos Científicos mediante la Ampliación de AlphaEvolve con Investigación Profunda

Scientific Algorithm Discovery by Augmenting AlphaEvolve with Deep Research

October 7, 2025

Autores: Gang Liu, Yihan Zhu, Jie Chen, Meng Jiang

cs.AI

Resumen

Los modelos de lenguaje de gran escala (LLMs) muestran potencial como asistentes científicos, sin embargo, los agentes existentes dependen únicamente de la evolución algorítmica o de la investigación profunda de manera aislada, ambos enfoques enfrentan limitaciones críticas. La evolución algorítmica pura, como en AlphaEvolve, depende exclusivamente del conocimiento interno de los LLMs y rápidamente alcanza un estancamiento en dominios complejos, mientras que la investigación profunda pura propone ideas sin validación, lo que resulta en soluciones poco realistas o no implementables. Presentamos DeepEvolve, un agente que integra la investigación profunda con la evolución algorítmica, combinando la recuperación de conocimiento externo, la edición de código entre archivos y la depuración sistemática dentro de un ciclo iterativo impulsado por retroalimentación. Cada iteración no solo propone nuevas hipótesis, sino que también las refina, implementa y prueba, evitando tanto mejoras superficiales como refinamientos improductivos. A lo largo de nueve puntos de referencia en química, matemáticas, biología, materiales y patentes, DeepEvolve mejora consistentemente el algoritmo inicial, produciendo nuevos algoritmos ejecutables con ganancias sostenidas. Al cerrar la brecha entre la evolución no guiada y la investigación sin fundamento, DeepEvolve proporciona un marco confiable para avanzar en el descubrimiento de algoritmos científicos. Nuestro código está disponible en 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.