Automating Parent Selection Configuration in Genetic Programming with Agentic AI
Diese Arbeit zeigt auf, dass ein agentisches KI-Framework, das große Sprachmodelle und Retrieval-Augmented Generation nutzt, die Entwicklung und Implementierung von Elternselektionsalgorithmen für genetische Programmierung effektiv automatisieren kann, wobei es bei Aufgaben der symbolischen Regression eine wettbewerbsfähige Leistung erzielt, die mit etablierten Methoden wie -Lexicase vergleichbar ist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der weiten Landschaft der künstlichen Intelligenz ahmt ein spezieller Zweig, der als evolutionäre Computertechnik bekannt ist, die Art und Weise nach, wie die Natur das Leben entwickelt. Stellen Sie sich ein Computerprogramm vor, das nicht einem starren Satz von Anweisungen folgt, die von einem Menschen geschrieben wurden, sondern stattdessen eine Population digitaler Kandidaten erschafft, testet, wie gut sie ein Problem lösen, und dann die besten von ihnen „paart“, um die nächste Generation zu erschaffen. Dieser Prozess, genannt genetische Programmierung, ist leistungsstark, weil er komplexe Lösungen entdecken kann, die Menschen vielleicht nie erdacht hätten. Damit diese digitale Evolution jedoch funktioniert, muss der Computer eine Möglichkeit haben, zu entscheiden, welche Kandidaten sich fortpflanzen dürfen. Diese Entscheidung wird als Elternselektion bezeichnet. Wenn der Computer die falschen Eltern auswählt, könnte die gesamte Population stagnieren oder es versäumen, sich zu verbessern. Traditionell mussten Menschen diese Selektionsregeln manuell entwerfen – eine Aufgabe, die tiefes Fachwissen erfordert und oft viel Ausprobieren beinhaltet. Die Frage, die sich Forscher nun stellen, ist, ob eine neue Art von künstlicher Intelligenz, die in der Lage ist zu schlussfolgern und Informationen wie ein menschlicher Experte nachzuschlagen, diesen schwierigen Designprozess automatisieren kann.
Ein Forschungsteam unternahm den Versuch, diese Idee zu testen, indem es einen spezialisierten digitalen Agenten entwickelte, der die Aufgabe der Elternselektion übernehmen sollte. Sie baten den Agenten nicht darum, eine völlig neue Methode zur Auswahl von Eltern aus dem Nichts zu erfinden, sondern vielmehr darum, die beste bestehende Methode zu identifizieren und dann den Computercode zu schreiben, um sie funktionsfähig zu machen. Um dies zu erreichen, gaben sie dem Agenten Zugriff auf eine Bibliothek wissenschaftlicher Arbeiten über die Elternselektion, was es ihm ermöglichte, relevantes Wissen abzurufen, genau wie ein menschlicher Forscher. Der Agent hatte die einfache Aufgabe: Betrachte das Problem, entscheide, welche Selektionsmethode am besten funktionieren würde, und generiere dann ein funktionsfähiges Python-Programm, das in ein System der genetischen Programmierung eingesteckt werden kann. Sie testeten diesen Aufbau mithilfe einer Art von Problem namens symbolische Regression, bei der der Computer eine mathematische Formel finden muss, die zu einem Satz von Datenpunkten passt. Dies ist ein gängiges Testfeld für diese Systeme, da es vom Computer verlangt, Beziehungen zwischen Zahlen zu entdecken, ohne dass ihm diese Beziehungen vorgegeben werden.
Die Forscher führten eine Reihe von Experimenten durch, um zu sehen, wie gut verschiedene Versionen ihres Agenten abschnitten. Sie verglichen ein Standard-Large-Language-Modell, das sich nur auf das stützt, was es während seines ursprünglichen Trainings gelernt hat, mit einem Agenten, der in der Lage ist, Schritt für Schritt über das Problem nachzudenken, und schließlich mit einem Agenten, der sowohl denken als auch Informationen in ihrer kuratierten Bibliothek nachschlagen kann. Die Ergebnisse waren aufschlussreich. Wenn die Modelle darauf angewiesen waren, sich allein auf ihr internes Wissen zu verlassen, wählten sie fast immer eine sehr einfache, verbreitete Methode namens Tournament-Selektion (Turnier-Selektion), bei der einige Kandidaten zufällig ausgewählt werden und der Beste gewinnt. Dies war die sichere, vertraute Wahl. Als die Agenten jedoch die Möglichkeit erhielten, Informationen in der Bibliothek nachzuschlagen, änderte sich ihr Verhalten drastisch. Die Agenten begannen, eine anspruchsvollere Methode namens Epsilon-Lexicase-Selektion zu identifizieren und zu implementieren. Diese Methode ist nuancierter; anstatt nur auf einen einzigen Gesamtwert zu schauen, bewertet sie Kandidaten danach, wie gut sie bei spezifischen einzelnen Datenpunkten abschneiden, was eine vielfältigere und oft effektivere Evolution ermöglicht.
Die Studie ergab, dass die Fähigkeit, Informationen abzurufen, entscheidend war, um den Agenten zu diesen besseren Methoden zu führen, aber sie garantierte nicht allein den Erfolg. Die Art des verwendeten KI-Modells war ebenso wichtig wie die Werkzeuge, über die es verfügte. Ein bestimmtes Modell generierte in Kombination mit der Fähigkeit, Informationen nachzuschlagen, konsistent die korrekten, anspruchsvollen Selektionsalgorithmen und schnitt so gut oder sogar besser ab als die fest vorgegebenen, von Menschen entworfenen Versionen. Dieser spezifische Aufbau gelang es, Code zu schreiben, der die komplexe Epsilon-Lexicase-Selektion mit hoher Genauigkeit implementierte, wobei ein statistischer Ansatz verwendet wurde, um zu bestimmen, wie streng die Selektion sein sollte. In direkten Härtevergleichen gegen sechs verschiedene reale Datenprobleme lieferte dieser automatisierte Agent Ergebnisse, die statistisch nicht von den besten menschenentworfenen Selektionsmethoden zu unterscheiden waren und signifikant besser als die einfache Tournament-Selektion abschnitten.
Dennoch entdeckten die Forscher auch, dass diese Automatisierung noch nicht perfekt ist. Während der beste Aufbau zuverlässig funktionierte, produzierten andere Kombinationen von Modellen und Werkzeugen manchmal Code, der zwar korrekt aussah, aber nicht ausführbar war, oder generierten Algorithmen, die schlecht abschnitten, weil sie die Details der Mathematik falsch berechneten. Die Studie zeigte, dass der bloße Zugang zu einer Wissensbibliothek eine künstliche Intelligenz nicht automatisch zu einem Experten macht; das zugrunde liegende Modell muss in der Lage sein, diese Informationen korrekt zu interpretieren und in funktionierenden Code zu übersetzen. Die Forscher kamen zu dem Schluss, dass agentische künstliche Intelligenz großes Potenzial zeigt, um das Design dieser evolutionären Systeme zu automatisieren, derzeit jedoch ein Werkzeug ist, das am besten in Kombination mit dem richtigen Modell und sorgfältiger Aufsicht funktioniert. Die Arbeit stellt einen bedeutenden Fortschritt dar und beweist, dass Maschinen beginnen können, komplexes Domänenwissen in ausführbare Komponenten zu übersetzen, was potenziell die schwere Last des manuellen Designs verringert, das die Einführung dieser leistungsstarken Rechenwerkzeuge lange Zeit gebremst hat.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.