言語モデルは、構造を与えれば、物流型の問題のヒューリスティクスを設計する
向上は、より大きなモデルからではなく、枠組みから来た、と著者らは言う。
筆者 編集部, ニュース · · 1分で読める
タグ: 最適化 · アルゴリズム · 言語モデル · Nature
- このニュース
- 向上は、より大きなモデルからではなく、枠組みから来た、と著者らは言う。
- なぜ重要か
- Nature Machine Intelligenceの論文はLACEを提示し、古典的な最適化問題36件で0.945を記録した。LLMへ直接プロンプトした場合は0.571だった。
- 確認できたこと
- 写真はこの記事のために生成したものです。本文で名の挙がる人物は写っていません。
名前のある出典に紐づく。検証済みとは記していない。 Nature Machine Intelligence: Large language models discover complementary heuristics for combinatorial optimization
ニュース
10月1日に Nature Machine Intelligence で公開された論文は、LACE、すなわち相補的進化によるLLM駆動のアルゴリズム構築（LLM-driven Algorithm Construction via Complementary Evolution）の略を導入する。アルゴリズムの設計を、入力、出力、ツールのライブラリ、ヒューリスティクスのポートフォリオという固定の契約へ分解し、厳密な実行時間の制限のなかで、問題の種類ごとに異なるものを覆う専門のヒューリスティクスを進化させる。
なぜ重要か
組合せ最適化は、日程、経路、病院の勤務表、電力網を動かしている。ヒューリスティクスの設計を自動化できれば、問題ごとに専門家の何か月もの作業を減らせる。
詳細
古典的な CO-Bench の問題 36 件で、LACE は平均スコア 0.945 に達した。既存の LLM を使う方法で最も強いものは 0.870、枠組みなしで LLM へ直接プロンプトした場合は 0.571 だった、と著者らは報告している。向上はモデルではなく枠組みに帰する、としている。
構造的に新しい問題 4 件では、LACE は 0.97 から 0.99 を記録した。一方、既存の LLM を使うベースライン 5 件は、実行可能なアルゴリズムを一つも作れなかった。
確認できなかったこと
- スコアは、著者らが選んだベンチマーク群の上のものである。
- 実世界への導入の結果は、確認できなかった。