Descoberta de Algoritmos Científicos por meio do Aprimoramento do AlphaEvolve com Pesquisa Profunda

Scientific Algorithm Discovery by Augmenting AlphaEvolve with Deep Research

October 7, 2025

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

cs.AI

Resumo

Grandes modelos de linguagem apresentam potencial como assistentes científicos, porém os agentes existentes dependem exclusivamente da evolução de algoritmos ou de pesquisas profundas isoladas, ambas com limitações críticas. A evolução pura de algoritmos, como no AlphaEvolve, depende apenas do conhecimento interno dos LLMs e rapidamente atinge um platô em domínios complexos, enquanto a pesquisa profunda pura propõe ideias sem validação, resultando em soluções irrealistas ou impossíveis de implementar. Apresentamos o DeepEvolve, um agente que integra pesquisa profunda com evolução de algoritmos, unindo recuperação de conhecimento externo, edição de código entre arquivos e depuração sistemática em um ciclo iterativo orientado por feedback. Cada iteração não apenas propõe novas hipóteses, mas também as refina, implementa e testa, evitando tanto melhorias superficiais quanto refinamentos improdutivos. Em nove benchmarks de química, matemática, biologia, materiais e patentes, o DeepEvolve consistentemente melhora o algoritmo inicial, produzindo novos algoritmos executáveis com ganhos sustentados. Ao preencher a lacuna entre evolução não guiada e pesquisa sem fundamentação, o DeepEvolve fornece uma estrutura confiável para avançar a descoberta de algoritmos científicos. Nosso código está disponível em 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.