GigaEvo: LLMと進化アルゴリズムを活用したオープンソース最適化フレームワーク
GigaEvo: An Open Source Optimization Framework Powered By LLMs And Evolution Algorithms
November 17, 2025
著者: Valentin Khrulkov, Andrey Galichin, Denis Bashkirov, Dmitry Vinichenko, Oleg Travkin, Roman Alferov, Andrey Kuznetsov, Ivan Oseledets
cs.AI
要旨
近年、LLM（大規模言語モデル）を活用した進化的計算、特にAlphaEvolve（Novikov et al., 2025; Georgiev et al., 2025）の進展は、新たな数学的構造の発見や困難な最適化問題の解決において顕著な成功を収めています。しかし、公表された研究における高レベルの記述は、多くの実装詳細を明示しておらず、再現性やさらなる研究の妨げとなっています。本報告では、AlphaEvolveに着想を得たハイブリッドLLM-進化アプローチを研究・実験するための拡張可能なオープンソースフレームワークであるGigaEvoを紹介します。本システムは、主要なコンポーネントのモジュール化された実装を提供します：MAP-Elites品質多様性アルゴリズム、非同期DAGベースの評価パイプライン、洞察生成と双方向系譜追跡を備えたLLM駆動突然変異オペレータ、柔軟なマルチアイランド進化戦略などです。再現性を評価し、実装を検証するために、GigaEvoをAlphaEvolve論文の難題であるHeilbronn三角形配置、正方形内の円充填、高次元接吻数問題に適用しました。本フレームワークは、モジュール性、並行性、実験の容易さを重視し、宣言的設定による迅速なプロトタイピングを可能にします。LLM駆動の進化的手法に関するさらなる研究を支援するため、システムアーキテクチャ、実装上の決定、実験方法論について詳細な記述を提供します。GigaEvoフレームワークおよびすべての実験コードは、https://github.com/AIRI-Institute/gigaevo-core で公開されています。
English
Recent advances in LLM-guided evolutionary computation, particularly AlphaEvolve (Novikov et al., 2025; Georgiev et al., 2025), have demonstrated remarkable success in discovering novel mathematical constructions and solving challenging optimization problems. However, the high-level descriptions in published work leave many implementation details unspecified, hindering reproducibility and further research. In this report we present GigaEvo, an extensible open-source framework that enables researchers to study and experiment with hybrid LLM-evolution approaches inspired by AlphaEvolve. Our system provides modular implementations of key components: MAP-Elites quality-diversity algorithms, asynchronous DAG-based evaluation pipelines, LLM-driven mutation operators with insight generation and bidirectional lineage tracking, and flexible multi-island evolutionary strategies. In order to assess reproducibility and validate our implementation we evaluate GigaEvo on challenging problems from the AlphaEvolve paper: Heilbronn triangle placement, circle packing in squares, and high-dimensional kissing numbers. The framework emphasizes modularity, concurrency, and ease of experimentation, enabling rapid prototyping through declarative configuration. We provide detailed descriptions of system architecture, implementation decisions, and experimental methodology to support further research in LLM driven evolutionary methods. The GigaEvo framework and all experimental code are available at https://github.com/AIRI-Institute/gigaevo-core.