arXiv · 07.08.2026 ·Исследования и наука

Метод PACE: эволюция алгоритмов через примитивы вместо целых программ

Исследователи представили метод PACE (Primitive-Aware Code Evolution), который меняет подход к автоматизированному проектированию алгоритмов с помощью LLM. Вместо эволюции программы как единого целого, PACE декомпозирует код на функциональные примитивы. Это позволяет сохранять и повторно использовать эффективные фрагменты логики, которые раньше терялись при отбраковке неудачных итераций, значительно повышая качество синтезируемых алгоритмов.

Традиционные методы автоматического дизайна алгоритмов часто сталкиваются с проблемой «связанности», когда полезные локальные решения удаляются вместе с неэффективной основной программой. PACE решает эту задачу, внедряя уровень абстракции, на котором система оценивает и эволюционирует отдельные логические блоки. Такой подход позволяет модели более точно определять вклад конкретных фрагментов кода в общую производительность алгоритма.

Использование примитивов упрощает процесс поиска оптимальных решений, так как система может комбинировать проверенные компоненты в различных конфигурациях. Это делает процесс автоматизированного проектирования более итеративным и менее зависимым от случайных мутаций в структуре кода. Метод демонстрирует эффективность в задачах, требующих поиска сложных алгоритмических структур, где целостный подход показывает низкую сходимость.

Ключевые факты

Метод PACE переходит от эволюции цельных программ к манипуляции независимыми логическими примитивами.
Декомпозиция кода позволяет сохранять ценные фрагменты логики, предотвращая их потерю при отбраковке неэффективных версий алгоритма.
Подход решает проблему фундаментальной связанности локальной логики с хост-программой в LLM-системах.
Технология направлена на повышение точности и эффективности автоматизированного проектирования алгоритмов.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

Hacker News · Исследования и наука Новый подход к обучению ИИ логическому мышлению в разработке ПО Исследователи представили методологию, позволяющую ИИ-моделям глубже анализировать структуру программного кода и логические связи внутри него. Вместо стандартного предсказания следующего токена система фокусируется на формальной верификации и понимании семантики кода, что значительно снижает количество галлюцинаций при генерации сложных программных решений и упрощает процесс отладки для разработчиков. Hacker News · Исследования и наука GEPA: новый метод эволюции промптов превосходит обучение с подкреплением Исследователи представили GEPA (Generative Evolutionary Prompt Adaptation) — метод оптимизации промптов, который позволяет моделям самостоятельно улучшать свои инструкции через рефлексию. В экспериментах подход показал более высокую эффективность, чем традиционное обучение с подкреплением (RL), обеспечивая качественные результаты при значительно меньших вычислительных затратах и отсутствии необходимости в сложных внешних алгоритмах оптимизации. arXiv · Исследования и наука MicroEvo: ускорение проектирования микроархитектур с помощью LLM Исследователи представили метод MicroEvo, оптимизирующий поиск в пространстве микроархитектурных решений. Использование LLM с направляющим знанием позволяет эффективно обходить ограничения вычислительного бюджета при оценке параметров PPA (мощность, производительность, площадь). Новый подход заменяет слепой перебор интеллектуальной выборкой, значительно повышая сходимость к оптимальным конфигурациям по сравнению с традиционными методами проектирования процессоров. Hacker News · Машинное обучение Использование режима написания кода для повышения точности малых LLM Исследования показывают, что перевод малых языковых моделей в режим генерации кода значительно повышает их логические способности при решении задач общего характера. Принудительное использование синтаксиса программирования заставляет модель структурировать мысли, что компенсирует нехватку параметров и улучшает качество ответов в сложных многошаговых задачах, где обычные текстовые промпты часто приводят к галлюцинациям. Hacker News · Разработка и инструменты Explicode: подход к литератному программированию с помощью LLM Проект Explicode переосмысляет концепцию литератного программирования, адаптируя её для взаимодействия с современными языковыми моделями. Инструмент позволяет разработчикам создавать исполняемый код, где документация и логика тесно переплетены, обеспечивая автоматическую генерацию и поддержку кода через LLM. Это упрощает создание сложных систем, где контекст реализации напрямую связан с текстовым описанием архитектуры. Hacker News · ИИ в бизнесе Оптимизация процесса разработки с помощью ИИ-инструментов Разработчик Тим Леланд поделился методологией ускорения создания ПО за счет интеграции ИИ в ежедневные рабочие процессы. Основной упор сделан на использование скриншотов и голосовых команд для взаимодействия с LLM, что позволяет автоматизировать написание кода, генерацию документации и отладку, значительно сокращая время на рутинные операции и переключение между контекстами разработки. Hacker News · Прогнозы и тренды Код как материализованное представление: новая парадигма разработки с LLM Автор анализирует сдвиг в разработке ПО, где исходный код перестает быть единственным источником истины, превращаясь в «материализованное представление» (materialized view) более абстрактных бизнес-логик. В этой модели LLM выступают как движки, генерирующие исполняемый код из высокоуровневых спецификаций, что меняет роль программиста с написания синтаксиса на управление архитектурными намерениями и данными. arXiv · Машинное обучение Метод Message Passing ускоряет логический вывод в LLM Исследователи представили метод Message Passing, который оптимизирует процесс рассуждения больших языковых моделей. В отличие от традиционных цепочек мыслей (CoT), требующих последовательных вычислений, новый подход использует параллельную обработку через обмен сообщениями между потоками модели. Это позволяет значительно сократить вычислительные затраты и время инференса при сохранении высокой точности решения сложных логических задач. arXiv · Исследования и наука Метод Partition, Prompt, Aggregate для повышения точности LLM Исследователи представили метод Partition, Prompt, Aggregate (PPA), направленный на улучшение логических выводов LLM через использование закона полной вероятности. Подход разбивает сложные задачи на подмножества, анализирует их независимо и агрегирует результаты, что позволяет модели достигать более высокой статистической согласованности ответов и снижать вероятность галлюцинаций при выполнении многошаговых рассуждений. Hacker News · Инфраструктура для агентов Persistent State Machine: новый подход к преодолению ограничений памяти LLM Исследователи представили концепцию Persistent State Machine (PSM), направленную на решение проблемы «фон-неймановского бутылочного горлышка» при работе с механизмом внимания в LLM. Метод позволяет оптимизировать передачу данных между памятью и вычислительными блоками, существенно снижая задержки при обработке длинных контекстов и повышая общую эффективность инференса моделей за счет изменения архитектуры хранения состояний.

← Все материалы