🤖 AI

SMCEvolve: Principled Scientific Discovery via Sequential Monte Carlo Evolution

SMCEvolve एक सिद्धांत-आधारित ढांचा पेश करता है जो LLM-संचालित वैज्ञानिक खोज के लिए प्रोग्राम खोज को सीक्वेंशियल मोंटे कार्लो सैंपलिंग के रूप में पुनर्गठित करता है, जो विविध बेंचमार्क पर कम LLM कॉल्स के साथ अत्याधुनिक प्रणालियों से बेहतर प्रदर्शन करते हुए सैद्धांतिक अभिसरण गारंटी और परिमित-नमूना जटिलता सीमाएं प्रदान करता है।

मूल लेखक: Jiachen Jiang, Huminhao Zhu, Zhihui Zhu

प्रकाशित 2026-05-18

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiachen Jiang, Huminhao Zhu, Zhihui Zhu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: "अनुमान और जाँच" को एक "निर्देशित अभियान" में बदलना

कल्पना कीजिए कि आप अरबों कुकबुक्स (cookbooks) वाली एक विशाल लाइब्रेरी में केक की सबसे बेहतरीन रेसिपी खोजने की कोशिश कर रहे हैं। वर्तमान AI विधियाँ (जैसे AlphaEvolve या ShinkaEvolve) एक अराजक 'बुक क्लब' की तरह काम करती हैं:

वे कुछ रैंडम रेसिपी चुनती हैं।
वे एक AI शेफ से उन्हें थोड़ा बदलने के लिए कहती हैं।
वे परिणामों को चखते हैं।
यदि केक का स्वाद बेहतर है, तो वे उसे रखती हैं; यदि नहीं, तो वे उसे फेंक देती हैं।
वे राउंड की एक निश्चित संख्या (जैसे, "चलिए 100 राउंड करते हैं और देखते हैं क्या होता है") के लिए अंधे होकर यह प्रक्रिया दोहराती हैं।

समस्या क्या है? यह दृष्टिकोण अंधेरे में भटकने जैसा है। टीम को यह नहीं पता कि उन्होंने कुछ खास रेसिपी को बदलने के लिए क्यों चुना, उन्हें यह नहीं पता कि कब रुकना है, और वे यह गारंटी नहीं दे सकते कि उन्हें सबसे अच्छा केक मिल गया है—वे बस उम्मीद करते हैं कि उनकी किस्मत अच्छी होगी।

SMCEVOLVE खेल बदल देता है। भटकने के बजाय, यह खोज को एक सटीक मानचित्र द्वारा निर्देशित एक वैज्ञानिक अभियान (scientific expedition) की तरह मानता है। यह "रैंडम विचारों" से "परफेक्ट समाधानों" तक की एक संरचित यात्रा को बदलने के लिए सीक्वेंशियल मोंटे कार्लो (Sequential Monte Carlo - SMC) नामक एक गणितीय ढांचे का उपयोग करता है।

SMCEVOLVE के तीन जादुई उपकरण

पेपर तीन विशिष्ट तंत्रों (mechanisms) का परिचय देता है जो इस अभियान को सफल बनाते हैं। इन्हें उन उपकरणों के रूप में सोचें जिनका उपयोग एक गाइड खोजकर्ताओं के एक समूह (AI प्रोग्रामों की "जनसंख्या") को खजाने (सबसे अच्छे प्रोग्राम) की ओर ले जाने के लिए करता है।

1. एडेप्टिव पैरेंट रीसैंपलिंग (Adaptive Parent Resampling): "स्मार्ट भीड़"

पुराना तरीका: पारंपरिक तरीकों में, AI एक निश्चित नियम के आधार पर सुधार के लिए रेसिपी चुनता है (जैसे, "हमेशा शीर्ष 3 चुनें")। यह बहुत कठोर है।
SMCEVOLVE का तरीका: खोजकर्ताओं के एक भीड़ की कल्पना करें। यात्रा की शुरुआत में, इलाका धुंधला होता है, इसलिए गाइड सबको अलग-अलग घाटियों को खोजने के लिए स्वतंत्र रूप से घूमने देता है (Exploration/अन्वेषण)। जैसे-जैसे वे खजाने के करीब पहुँचते हैं, गाइड भीड़ को अधिक आक्रामक रूप से उच्चतम चोटियों की ओर इशारा करना शुरू कर देता है (Exploitation/दोहन)।
यह कैसे काम करता है: सिस्टम हर प्रोग्राम के लिए एक "स्कोर" की गणना करता है। शुरुआत में, यह विचारों की विविधता बनाए रखने के लिए सभी के साथ समान व्यवहार करता है। बाद में, यह उच्च स्कोर वाले प्रोग्रामों को बहुत अधिक महत्व देता है, जिससे यह सुनिश्चित होता है कि समूह अपनी ऊर्जा वहीं लगाए जहाँ इनाम सबसे अधिक हो। यह बदलाव स्वचालित रूप से होता है, किसी निश्चित नियम द्वारा नहीं।

2. मिक्सचर ऑफ म्यूटेशन विद एक्सेप्टेंस (Mixture of Mutation with Acceptance): "परीक्षण और त्रुटि फ़िल्टर"

पुराना तरीका: AI शेफ रेसिपी में एक बदलाव करता है और तुरंत उसे पकाने लगता है। यदि स्वाद खराब है, तो वह खत्म हो जाता है। यह जोखिम भरा और बर्बादी भरा है।
SMCEVOLVE का तरीका: पकाने से पहले, शेफ रेसिपी बदलने के लिए चार अलग-अलग रणनीतियों को आजमाता है:
1. लोकल ट्वीक्स (Local Tweaks): बस नमक का एक चुटकी हिस्सा बदलना (Diff)।
2. टोटल रीराइट (Total Rewrite): शुरुआत से पूरी तरह से एक नया व्यंजन बनाना (Rewrite)।
3. सोलो एफर्ट (Solo Effort): अकेले ही रेसिपी बदलना।
4. टीम एफर्ट (Team Effort): अन्य सफल रेसिपी से विचार उधार लेना (Inspiration)।
फ़िल्टर: सिस्टम केवल पहले विचार को स्वीकार नहीं करता है। यह एक "मेट्रोपोलिस-हैस्टिंग्स" फ़िल्टर (एक स्मार्ट गेटकीपर के लिए फैंसी गणितीय शब्द) का उपयोग करता है। यह पूछता है: "क्या यह नया विचार पुराने से बेहतर है?"
- यदि हाँ, तो यह इसे स्वीकार करता है।
- यदि नहीं, तो यह अभी भी इसे स्वीकार कर सकता है (ताकि स्थानीय जाल में न फंसे), लेकिन कम संभावना के साथ।
सीखना: सिस्टम यह भी सीखता है कि अभी के लिए कौन सी चार रणनीतियाँ सबसे अच्छा काम करती हैं। यदि "टीम एफर्ट" आज बेहतरीन केक बना रहा है, तो AI उस रणनीति का अधिक उपयोग करता है।

3. ऑटोमैटिक कन्वर्जेंस कंट्रोल (Automatic Convergence Control): "स्मार्ट स्टॉप साइन"

पुराला तरीका: टीम तब तक चलती रहती है जब तक कि टाइमर समाप्त न हो जाए। वे बहुत जल्दी रुक सकते हैं (खजाना मिस कर देना) या उसे मिलने के बाद भी घंटों तक चल सकते हैं (समय बर्बाद करना)।
SMCEVOLVE का तरीका: गाइड एक "डाइवर्सिटी मीटर" (विविधता मीटर) लेकर चलता है।
- यदि समूह अभी भी मानचित्र पर फैला हुआ है, तो गाइड जानता है कि वे अभी तक समाप्त नहीं हुए हैं और चलता रहता है।
- यदि समूह सबसे अच्छी जगह के आसपास कसकर क्लस्टर (एकत्रित) हो गया है, तो गाइड जानता है कि खजाना मिल गया है और तुरंत रुक जाता है।
परिणाम: सिस्टम डेटा के आधार पर तय करता है कि ठीक कब रुकना है, जिससे कंप्यूटिंग पावर की भारी बचत होती है।

"यह क्यों काम करता है" का उदाहरण: तापमान डायल

पेपर एक अवधारणा का उपयोग करता है जिसे "एनीलिंग" (Annealing) (धातु को ठंडा करने की तरह) कहा जाता है। एक डायल की कल्पना करें जो खोज के "तापमान" को नियंत्रित करता है:

उच्च तापमान (शुरुआत में): AI "गर्म" और अराजक है। यह जंगली, रैंडम विचार आज़माता है। इसे स्कोर की ज्यादा परवाह नहीं है; यह बस यह देखना चाहता है कि क्या संभव है।
कम तापमान (अंत में): AI "ठंडा" और केंद्रित है। यह केवल उन बदलावों को स्वीकार करता है जो सख्ती से स्कोर में सुधार करते हैं। यह बहुत चूजी (picky) हो जाता है।

SMCEVOLVE इस डायल को गर्म से ठंडा होने की दिशा में धीरे-धीरे घुमाता है। "एडेप्टिव रीसैंपलिंग" और "ऑटोमैटिक स्टॉप साइन" वे तंत्र हैं जो यह सुनिश्चित करते हैं कि डायल सही गति से घूमे—न बहुत तेज़ (वरना आप अच्छी चीज़ मिस कर देंगे) और न बहुत धीमा (वरना आप समय बर्बाद करेंगे)।

परिणाम: बेहतर केक, कम आटा

लेखकों ने इस नई विधि का परीक्षण चार कठिन चुनौतियों पर किया:

गणित की समस्याएँ: जटिल ज्यामिति पहेलियों को हल करना (जैसे आयत में वृत्त भरना)।
एल्गोरिदम दक्षता: कंप्यूटर कोड को तेज़ी से चलाना।
सिम्बोलिक रिग्रेशन (Symbolic Regression): डेटा के पीछे छिपे गणितीय सूत्रों को खोजना।
AI रिसर्च: उन कोड को स्वचालित रूप से सुधारना जो अन्य AI को प्रशिक्षित करते हैं।

परिणाम:
लगभग हर मामले में, SMCEVOLVE ने पिछले अत्याधुनिक (state-of-the-art) तरीकों की तुलना में बेहतर समाधान खोजे। इससे भी अधिक प्रभावशाली बात यह है कि इसने यह सब कम कंप्यूटर कॉल्स (केक के कम "स्वाद") का उपयोग करके किया। क्योंकि इसे पता है कि कब रुकना है और अपनी ऊर्जा कहाँ केंद्रित करनी है, यह संसाधनों को बर्बाद नहीं करता है।

सारांश

SMCEVOLVE कोड लिखने के लिए AI का उपयोग करने का एक नया तरीका है। अंधे होकर अनुमान लगाने और सबसे अच्छे की उम्मीद करने के बजाय, यह खोज को निर्देशित करने के लिए एक कठोर गणितीय मानचित्र का उपयोग करता है। यह अन्वेषण (exploration) (नई चीजें आज़माना) और दोहन (exploitation) (जो काम करता है उस पर ध्यान केंद्रित करना) के बीच संतुलन बनाता है, वास्तविक समय में सर्वश्रेष्ठ रणनीतियों को सीखता है, और जानता है कि कब छोड़ना है। यह एक टॉर्च के साथ जंगल में भटकने और जीपीएस और कंपास के साथ हाइकिंग करने के बीच का अंतर है।

तकनीकी सारांश: SMCEVOLVE

समस्या विवरण (Problem Statement)

LLM-संचालित प्रोग्राम इवोल्यूशन (प्रोग्राम विकास) वैज्ञानिक खोज के लिए एक शक्तिशाली प्रतिमान (paradigm) के रूप में उभरा है, जो एजेंटों को गणितीय खोज से लेकर एल्गोरिदम दक्षता तक के डोमेन में लक्षित उद्देश्यों को अनुकूलित करने वाले प्रोग्राम खोजने में सक्षम बनाता है। हालाँकि, मौजूदा फ्रेमवर्क (जैसे, AlphaEvolve, ShinkaEvolve) काफी हद तक अनुभवजन्य (empirical), हस्त-निर्मित (hand-crafted) पाइपलाइनों पर निर्भर हैं। इन प्रणालियों में एक एकीकृत सैद्धांतिक ढांचे का अभाव है, जिसके परिणामस्वरूप कई महत्वपूर्ण सीमाएँ उत्पन्न होती हैं:

सिद्धांत-आधारगत डिज़ाइन का अभाव: पैरेंट सिलेक्शन (parent selection), कॉन्टेक्स्ट कंस्ट्रक्शन (context construction), और पॉपुलेशन मैनेजमेंट जैसे घटकों को अलग-थलग डिज़ाइन किया गया है और उन्हें एक सुसंगत सिद्धांत के बजाय व्यापक एब्लेशन अध्येशनों (ablation studies) के माध्यम से मान्य किया गया है।
अभिसरण गारंटी (Convergence Guarantees) का अभाव: खोज प्रक्रिया के अभिसरण (converge) की गारंटी नहीं है, जिससे रन के दौरान उच्च विचरण (variance) होता है। इसके अलावा, मौजूदा सिस्टम यह अंतर नहीं कर सकते कि क्या यह वास्तविक उच्च-इनाम वाले क्षेत्र में अभिसरण है या स्थानीय मोड (local mode) पर ठहराव है, जिससे निश्चित इटरेशन काउंट का उपयोग करना पड़ता है जो या तो अपर्याप्त है या कम्प्यूटेशनल रूप से व्यर्थ है।

यह कार्य इस केंद्रीय प्रश्न का समाधान करता है कि क्या LLM-संचालित प्रोग्राम इवोल्यूशन को एक कठोर संभाव्यता ढांचे (probabilistic framework) में स्थापित किया जा सकता है जो इसके घटकों को एकीकृत करता है और अभिसरण गारंटी प्रदान करता है।

कार्यप्रणाली (Methodology): SMCEVOLVE

लेखक SMCEVOLVE का प्रस्ताव करते हैं, जो उच्च-इनाम वाले प्रोग्रामों की खोज को एक रिवॉर्ड-टिल्टेड टारगेट डिस्ट्रीब्यूशन (reward-tilted target distribution) से सैंपलिंग के रूप में पुनर्गठित करता है।

सैद्धांतिक आधार (Theoretical Foundation)

इस समस्या को एक प्रोग्राम $x$ खोजने के रूप में तैयार किया गया है जो एक LLM प्रायर $p_0(x|q)$ का पालन करते हुए एक रिवॉर्ड $R(x)$ को अधिकतम करता है। इसे एक KL-रेगुलराइज्ड वेरिएशनल ऑप्टिमाइज़ेशन समस्या के रूप में मॉडल किया गया है, जिसका समाधान एक टारगेट डिस्ट्रीब्यूशन है:
$p^*(x | q) \propto p_0(x | q) e^{\beta R(x)}$
जहाँ $\beta$ , प्रायर और रिवॉर्ड मैक्सिमाइजेशन के बीच ट्रेड-ऑफ को नियंत्रित करता है। चूंकि नॉर्मलाइजेशन कांस्टेंट और विशाल प्रोग्राम स्पेस के कारण $p^*$ से सीधा सैंपलिंग करना अव्यवहार्य (intractable) है, SMCEVOLVE इसे सीक्वेंशियल मोंटे कार्लो (SMC) सैंपलर का उपयोग करके अनुमानित करता है। यह विधि बढ़ती रिवॉर्ड तीव्रता वाले अनुक्रमिक "ब्रिजिंग" डिस्ट्रीब्यूशन के माध्यम से प्रायर $p_0$ को टारगेट $p^*$ तक पहुँचाती है।

मुख्य तंत्र (Core Mechanisms)

SMC थ्योरी से सीधे प्राप्त तीन सिद्धांतगत तंत्र, इवोल्यूशनरी लूप को संस्थागत रूप देने के लिए उभरते हैं:

अनुकूली पैरेंट रीसैंपलिंग (Adaptive Parent Resampling):
निश्चित चयन नियमों के बजाय, वर्तमान ब्रिजिंग डिस्ट्रीब्यूशन से प्राप्त इम्पोर्टेंस वेट्स (importance weights) के आधार पर पैरेंट्स को रीसेंपल किया जाता है। वेट, करंट रिवॉर्ड पर एक टेम्परेचर-आधारित सॉफ्टमैक्स है:
$W_t^{(n)} \propto \exp\left((\beta_t - \beta_{t-1}) R(x_{t-1}^{(n)})\right)$
खोज के शुरुआती चरणों में (कम $\beta_t$ ), एक्सप्लोरेशन को प्रोत्साहित करने के लिए सैंपलिंग लगभग यूनिफॉर्म होती है। जैसे-जैसे खोज आगे बढ़ती है और $\beta_t$ बढ़ता है, डिस्ट्रीब्यूशन शार्प हो जाता है, जिससे एक्सप्लोइटेशन (exploitation) को बढ़ावा देने के लिए उच्च-इनाम वाले पैरेंट्स पर फोकस केंद्रित होता है।
स्वीकृति के साथ मिक्स्चर ऑफ म्यूटेशन (Mixture of Mutation with Acceptance):
यह सुनिश्चित करने के लिए कि म्यूटेशन कर्नेल SMC अभिसरण के लिए आवश्यक इनवेरियंस (invariance) और एर्गोडिसिटी (ergodicity) गुणों को संतुष्ट करता है, फ्रेमवर्क एक मेट्रोपोलिस-हस्टिंग्स (MH) स्वीकार/अस्वीकार तंत्र का उपयोग करता है।

प्रपोजल मिक्स्चर: LLM चार कर्नेल्स के मिश्रण के माध्यम से प्रपोजल जेनरेट करता है, जो दो अक्षों के साथ भिन्न होते हैं: एडिट स्कोप (लोकल diff बनाम फुल rewrite) और इंफॉर्मेशन सोर्स (सिंगल-पैरेंट बनाम क्रॉस-प्रोग्राम इंस्पिरेशन)।
अनुकूली चयन: हाल ही में उच्च-इनाम वाले प्रपोजल बनाने में उनकी सफलता के आधार पर इन कर्नेल्स के बीच अनुकूल रूप से चयन करने के लिए थॉम्पसन सैंपलिंग का उपयोग किया जाता है।
स्वीकृति: एक कैंडिडेट $x'$ को प्रायिकता $\alpha_t(x, x') = \min\{1, e^{\beta_t(R(x') - R(x))}\}$ के साथ स्वीकार किया जाता है। इस रिवॉर्ड-ओनली एप्रोक्सिमेशन का उपयोग इसलिए किया जाता है क्योंकि पूर्ण MH रेशियो (जिसके लिए LLM डेंसिटी रेशियो की आवश्यकता होती है) ब्लैक-बॉक्स API के माध्यम से सुलभ नहीं है।

स्वचालित अभिसरण नियंत्रण (Automatic Convergence Control):
इटरेशन की संख्या पहले से निर्धारित नहीं होती है। इसके बजाय, टेम्परेचर शेड्यूल $\lambda_t$ (जहाँ $\beta_t = \lambda_t \beta$ ) को इफेक्टिव सैंपल साइज (ESS) का उपयोग करके अनुकूल रूप से निर्धारित किया जाता है। सिस्टम $\lambda_t$ को चरणों में तब तक बढ़ाता है जब तक कि ESS एक थ्रेशोल्ड $\kappa N$ से नीचे न गिर जाए, जो यह दर्शाता है कि जनसंख्या उच्च-इनाम वाले क्षेत्रों पर केंद्रित हो रही है। प्रक्रिया स्वचालित रूप से $\lambda_t = 1$ होने पर समाप्त हो जाती है, यह सुनिश्चित करती है कि खोज तब रुक जाए जब टारगेट डिस्ट्रीब्यूशन प्राप्त हो जाए।

फाइनाइट-सैंपल कॉम्प्लेक्सिटी (Finite-Sample Complexity)

पेपर एक लक्ष्य एप्रोक्सिमेशन एरर $\epsilon$ प्राप्त करने के लिए आवश्यक कुल LLM-कॉल बजट $B = N \times T \times K$ (पार्टिकल्स $\times$ स्टेज $\times$ म्यूटेशन स्टेप्स) को बाउंड (bound) करने के लिए एक सैद्धांतिक विश्लेषण प्रदान करता है। यह बाउंड रिवॉर्ड ऑसिलेशन $\Delta R$ , म्यूटेशन कर्नेल की मिक्सिंग रेट $\rho$ , और ESS थ्रेशोल्ड $\kappa$ पर निर्भर करता है:
$B = \tilde{O}\left( \frac{\epsilon^{-2} \vee \kappa^{-1}}{1 - \rho} \cdot \beta \Delta R \right)$

प्रयोगात्मक परिणाम (Experimental Results)

SMCEVOLVE का चार विविध डोमेन में मूल्यांकन किया गया:

गणित (Mathematics): कॉम्बिनेटरियल ज्योमेट्री समस्याएं (जैसे, सर्कल पैकिंग, हेलब्रोन ट्रायंगल)।
एल्गोरिदम दक्षता (Algorithm Efficiency): रनटाइम ऑप्टिमाइजेशन कार्य (जैसे, FFT, LU फैक्टराइजेशन)।
सिम्बोलिक रिग्रेशन (Symbolic Regression): वैज्ञानिक समीकरण खोज (जैसे, जैविक विकास, रासायनिक प्रतिक्रियाएं)।
एंड-टू-एंड ML: TinyStories डेटासेट पर ऑटोमेटेड GPT प्रीट्रेनिंग।

मुख्य निष्कर्ष:

प्रदर्शन: SMCEVOLव SMCEVOLVE ने सभी डोमेन में अधिकांश कार्यों पर स्टेट-ऑफ-द-आर्ट इवॉल्विंग सिस्टम्स (REEVO, OPENEVOLVE, SHINKAEVOLVE) को पीछे छोड़ दिया।
दक्षता: उच्च रिवॉर्ड प्राप्त करने के बावजूद, SMCEVOLVE ने बेसलाइन्स की तुलना में कम LLM कॉल्स का उपयोग किया। यह दक्षता लाभ ऑटोमैटिक टर्मिनेशन मैकेनिज्म के कारण है, जो बेसलाइन्स के व्यर्थ फिक्स्ड-इटरेशन रन को टाल देता है।
एब्लेशन: एडैप्टिव रीसैंपलिंग (यूनिफॉर्म या ग्रीडी सिलेक्शन के साथ बदलने पर) या म्यूटेशन कर्नेल्स के मिक्स्चर (एकल कर्नेल के साथ बदलने पर) को हटाने से प्रदर्शन में काफी गिरावट आई, जो प्रस्तावित कपल्ड मैकेनिज्म की आवश्यकता की पुष्टि करता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि यह पहला सिद्धांत-आधारित फ्रेमवर्क प्रदान करता है जहाँ घटक हस्त-निर्मित ह्यूरिस्टिक्स के बजाय SMC थ्योरी से प्राप्त होते हैं। इसके प्राथमिक योगदान हैं:

एकीकृत फ्रेमवर्क: यह प्रोग्राम इवोल्यूशन के लिए एक कठोर संभाव्यता दृष्टिकोण स्थापित करता है, जो पैरेंट रीसैंपलिंग, म्यूटेशन और कन्वर्जेंस कंट्रोल को एक ही SMC अंब्रेला के तहत एकीकृत करता है।
अभिसरण गारंटी: यह प्रोग्राम सर्च के लिए पहला फाइनाइट-सैंपल कन्वर्जेंस विश्लेषण प्रदान करता है, जो लक्ष्य एप्रोक्सिमेशन एरर तक पहुँचने के लिए आवश्यक कम्प्यूटेशनल लागत पर स्पष्ट बाउंड प्रदान करता है।
व्यावहारिक दक्षता: फिक्स्ड इटरेशन काउंट को एडैप्टिव ESS-ड्रिवन टर्मिनेशन से बदलकर, फ्रेमवर्क कम्प्यूटेशनल ओवरहेड को कम करते हुए स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करता है।

लेखक SMCEVOLVE को सभी मौजूदा एजेंटों के विकल्प के रूप में नहीं, बल्कि एक सामान्यीकरण (generalization) के रूप में देखते हैं जहाँ मौजूदा विधियों को विशेष मामलों (जैसे, फिक्स्ड $\beta$ , सिंगल म्यूटेशन स्ट्रैटेजी, फिक्स्ड $T$ ) के रूप में देखा जा सकता है। यह कार्य सुझाव देता है कि इवोल्यूशनरी सर्च को संभाव्यता सैंपलिंग थ्योरी में स्थापित करना अधिक विश्वसनीय और कुशल स्वचालित वैज्ञानिक खोज के मार्ग की ओर ले जाता है।