Automating Parent Selection Configuration in Genetic Programming with Agentic AI
Dit artikel toont aan dat een agentic AI-framework dat gebruikmaakt van large language models en retrieval-augmented generation effectief het ontwerp en de implementatie van ouderselectie-algoritmen voor genetische programmering kan automatiseren, waarbij het een competitieve prestatie bereikt bij taken voor symbolische regressie die vergelijkbaar is met gevestigde methoden zoals -lexicase.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het uitgestrekte landschap van kunstmatige intelligentie is er een specifieke tak, bekend als evolutionaire computing, die de manier naboots van hoe de natuur het leven laat evolueren. Stel je een computerprogramma voor dat niet een rigide reeks instructies volgt die door een mens zijn geschreven, maar in plaats daarvan een populatie digitale kandidaten creëert, test hoe goed zij een probleem oplossen, en vervolgens de beste voortplant om de volgende generatie te creëren. Dit proces, genaamd genetische programmering, is krachtig omdat het complexe oplossingen kan ontdekken die mensen misschien nooit zouden kunnen bedenken. Echter, voor deze digitale evolutie te laten werken, heeft de computer een manier nodig om te beslissen welke kandidaten zich mogen voortplanten. Deze beslissing wordt parent selection (ouderselectie) genoemd. Als de computer de verkeerde ouders kiest, kan de hele populatie stagneren of er niet in slagen te verbeteren. Traditioneel moesten mensen deze selectieregels handmatig ontwerpen, een taak die diepgaande expertise vereist en vaak gepaard gaat met veel vallen en opstaan. De vraag die onderzoekers zich nu stellen, is of een nieuw soort kunstmatige intelligentie, één die kan redeneren en informatie kan opzoeken zoals een menselijke expert, dit moeilijke ontwerpproces kan automatiseren.
Een team van onderzoekers zette zich sch de opdracht om deze idee te testen door een gespecialiseerde digitale agent te bouwen die ontworpen is om de taak van parent selection op zich te nemen. Ze vroegen de agent niet om een volledig nieuwe manier van het selecteren van ouders vanuit het niets uit te vinden, maar eerder om de beste bestaande methode te identificeren en vervolgens de computercode te schrijven om het werkend te maken. Om dit te doen, gaven ze de agent toegang tot een bibliotheek van wetenschappelijke artikelen over parent selection, waardoor het de relevante kennis kon ophalen net zoals een menselijke onderzoeker dat zou doen. De agent kreeg een eenvoudige taak: kijk naar het probleem, beslis welke selectiemethode het beste zou werken, en genereer vervolgens een functioneel Python-programma dat in een genetisch programmeringssysteem kan worden ingevoegd. Ze testten deze opstelling met behulp van een type probleem dat symbolische regressie wordt genoemd, waarbij de computer een wiskundige formule moet vinden die bij een reeks datapunten past. Dit is een veelgebruikte testomgeving voor deze systemen omdat het de computer vereist om relaties tussen getallen te ontdekken zonder dat die relaties worden verteld.
De onderzoekers voerden een reeks experimenten uit om te zien hoe goed verschillende versies van hun agent presteerden. Ze vergeleken een standaard groot taalmodel, dat alleen vertrouwt op wat het leerde tijdens zijn initiële training, met een agent die het probleem stap voor stap kon doordenken, en tot slot met een agent die zowel kon nadenken als informatie kon opzoeken in hun gecureerde bibliotheek van artikelen. De resultaten waren onthullend. Wanneer de modellen werden overgelaten aan hun eigen interne kennis, kozen ze bijna altijd een zeer basis, veelvoorkomende methode genaamd tournament selection, waarbij een paar kandidaten willekeurig worden gekozen en de beste wint. Dit was de veilige, vertrouwde keuze. Echter, wanneer de agents de mogelijkheid kregen om informatie op te zoeken in de bibliotheek, veranderde hun gedrag drastisch. De agents begonnen een meer geavanceerde methode te identificeren en te implementeren, bekend als epsilon-lexicase selection. Deze methode is genuanceerder; in plaats van alleen naar een enkele algemene score te kijken, evalueert het kandidaten op basis van hoe goed ze presteren op specifieke individuele datapunten, wat een meer diverse en vaak effectievere evolutie mogelijk maakt.
De studie vond dat het vermogen om informatie op te halen cruciaal was voor het begeleiden van de agent naar deze betere methoden, maar het garandeerde niet op zichzelf succes. Het specifieke type model van kunstmatige intelligentie dat werd gebruikt, deed er evenveel toe als de instrumenten die het tot zijn beschikking had. Eén specifiek model, gecombineerd met het vermogen om informatie op te zoeken, genereerde consequent de juiste, geavanceerde selectiealgoritmen en presteerde even goed als, of beter dan, de vaste, door mensen ontworpen versies. Deze specifieke opstelling slaagde erin code te schrijven die de complexe epsilon-lexicase methode met hoge nauwkeurigheid implementeerde, gebruikmakend van een statistische benadering om te bepalen hoe strikt de selectie moest zijn. In directe head-to-head tests over zes verschillende real-world dataproblemen, produceerde deze geautomatiseerde agent resultaten die statistisch niet te onderscheiden waren van de beste door mensen ontworpen selectiemethoden en aanzienlijk beter waren dan de basis tournament selection.
Echter, de onderzoekers ontdekten ook dat deze automatisering nog niet perfect is. Hoewel de beste opstelling betrouwbaar werkte, produceerden andere combinaties van modellen en tools soms code die er correct uitzag maar niet kon draaien, of genereerden algoritmen die slecht presteerden omdat ze de details van de wiskunde fout deden. De studie toonde aan dat het louter hebben van toegang tot een bibliotheek met kennis een kunstmatige intelligentie niet automatisch een expert maakt; het onderliggende model moet in staat zijn de informatie correct te interpreteren en deze te vertalen naar werkende code. De onderzoekers concludeerden dat hoewel agentic artificial intelligence groot potentieel laat zien voor het automatiseren van het ontwerp van deze evolutionaire systemen, het momenteel een instrument is dat het best werkt wanneer het wordt gekoppeld aan het juiste model en zorgvuldig toezicht. Het werk demonstreert een significante stap voorwaarts, waarbij bewezen wordt dat machines kunnen beginnen met het vertalen van complexe domeinkennis naar uitvoerbare componenten, wat potentieel de zware last van handmatig ontwerp kan verminderen die de adoptie van deze krachtige computationele tools lang heeft vertraagd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.