Découverte d'algorithmes scientifiques par l'augmentation d'AlphaEvolve avec la recherche approfondie

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

Les grands modèles de langage (LLM) offrent des perspectives prometteuses en tant qu'assistants scientifiques, mais les agents existants reposent soit uniquement sur l'évolution algorithmique, soit sur une recherche approfondie en isolation, deux approches qui présentent des limites critiques. L'évolution algorithmique pure, comme dans AlphaEvolve, dépend exclusivement des connaissances internes des LLM et atteint rapidement un plateau dans des domaines complexes, tandis que la recherche pure propose des idées sans validation, aboutissant à des solutions irréalistes ou impossibles à mettre en œuvre. Nous présentons DeepEvolve, un agent qui intègre la recherche approfondie à l'évolution algorithmique, combinant la récupération de connaissances externes, l'édition de code inter-fichiers et le débogage systématique dans une boucle itérative pilotée par des retours d'expérience. Chaque itération propose non seulement de nouvelles hypothèses, mais les affine, les implémente et les teste, évitant ainsi les améliorations superficielles et les sur-affinements improductifs. Sur neuf benchmarks en chimie, mathématiques, biologie, sciences des matériaux et brevets, DeepEvolve améliore systématiquement l'algorithme initial, produisant de nouveaux algorithmes exécutables avec des gains soutenus. En comblant le fossé entre l'évolution non guidée et la recherche sans ancrage, DeepEvolve fournit un cadre fiable pour faire progresser la découverte d'algorithmes scientifiques. Notre code est disponible à l'adresse 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.