Scoperta di Algoritmi Scientifici attraverso il Potenziamento di AlphaEvolve con Ricerca Profonda

Scientific Algorithm Discovery by Augmenting AlphaEvolve with Deep Research

October 7, 2025

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

cs.AI

Abstract

I grandi modelli linguistici (LLM) mostrano potenziale come assistenti scientifici, tuttavia gli agenti esistenti si basano esclusivamente sull'evoluzione algoritmica o su ricerche approfondite in isolamento, entrambi approcci che presentano limitazioni critiche. La pura evoluzione algoritmica, come in AlphaEvolve, dipende solo dalla conoscenza interna degli LLM e raggiunge rapidamente un plateau in domini complessi, mentre la pura ricerca approfondita propone idee senza validazione, portando a soluzioni irrealistiche o non implementabili. Presentiamo DeepEvolve, un agente che integra la ricerca approfondita con l'evoluzione algoritmica, unendo il recupero di conoscenze esterne, la modifica del codice tra file e il debug sistematico in un ciclo iterativo guidato dal feedback. Ogni iterazione non solo propone nuove ipotesi, ma le affina, implementa e testa, evitando sia miglioramenti superficiali che affinamenti improduttivi. Attraverso nove benchmark in chimica, matematica, biologia, scienza dei materiali e brevetti, DeepEvolve migliora costantemente l'algoritmo iniziale, producendo nuovi algoritmi eseguibili con guadagni sostenuti. Colmando il divario tra l'evoluzione non guidata e la ricerca senza basi concrete, DeepEvolve fornisce un framework affidabile per avanzare nella scoperta di algoritmi scientifici. Il nostro codice è disponibile su 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.