Новый метод ?-MemEvo делится опытом между задачами и ускоряет эволюцию ИИ-алгоритмов

Новая научная работа, опубликованная на arXiv, описывает систему ?-MemEvo, предназначенную для переноса опыта между задачами автоматического поиска алгоритмов. Современные подходы вроде FunSearch и AlphaEvolve обычно решают каждую задачу с нуля, выбрасывая накопленный опыт после завершения. ?-MemEvo сохраняет этот опыт в виде компактных текстовых заметок о тактических приемах, а не в виде кода, что упрощает использование в задачах с разными интерфейсами и проверяющими функциями.

Ключевая особенность системы — адаптивный шлюз инъекции памяти. Он определяет, стоит ли использовать извлеченную подсказку и насколько интенсивно. Это защищает от так называемого отрицательного переноса, когда неподходящие воспоминания ухудшают результат. По словам авторов, наивная инъекция памяти может привести к сбоям, тогда как адаптивный механизм остается безопасным во всех протестированных сценариях.

Эксперименты проводились на восьми разнообразных оптимизационных задачах, охватывающих математическую оптимизацию и системное проектирование. Использовался протокол Leave-One-Out, который исключает записи из памяти, относящиеся к целевой задаче, чтобы проверить обобщение. На основной базовой модели GPT-5 система ?-MemEvo улучшила метрику AUCC по сравнению с AdaEvolve на всех восьми задачах. Средний относительный прирост составил 8,7%, а ускорение ранней сходимости — 9,4%.

Особый интерес представляет интерпретируемость адаптивного механизма. Авторы наблюдали, что данные, обновляющие апостериорное распределение, ведут себя логично: система предпочитает пропускать подсказки во время улучшающегося поиска и переключается на краткие намеки на ранних и поздних плато. Это делает работу алгоритма более прозрачной.

При всех полученных улучшениях вычислительные накладные расходы не превышают одного процента от общего времени работы. Это означает, что предложенный подход можно интегрировать в существующие системы эволюции программ без существенного удорожания вычислений. Работа продолжает развитие направления переноса знаний в области нейроэволюции и автоматического программирования, делая акцент на эффективности и практичности.