ATLAS: Ricerca Qualità-Diversità Guidata da Embedding per la Sintesi di Algoritmi Senza Scaffold

Un recente articolo pubblicato su arXiv (2608.15546) presenta ATLAS, un framework qualità-diversità guidato da embedding per la sintesi completa di algoritmi senza scaffold nell'ottimizzazione combinatoria. A differenza degli approcci convenzionali di progettazione automatica di algoritmi basati su LLM, che si concentrano sull'ottimizzazione di un componente specifico all'interno di uno scaffold predefinito, ATLAS consente all'LLM di selezionare e riorganizzare componenti, interazioni e flusso di controllo, richiedendo solo un'interfaccia I/O minima per definire i formati di istanza e soluzione. Il framework identifica autonomamente errori di esecuzione, interfaccia e fattibilità, ricalcola gli obiettivi e implementa riparazioni condizionate dagli errori. Per prevenire una convergenza prematura, la gestione dell'archivio basata sulla similarità mantiene algoritmi in varie regioni dello spazio di embedding. Un processo di ricerca a tre livelli migliora il design migliore mentre esplora regioni aggiuntive. L'articolo è accessibile all'indirizzo https://arxiv.org/abs/2608.15546.