EVIL Framework Utilizza l'Evoluzione Guidata da LLM per Creare Algoritmi Interpretabili per Sistemi Dinamici

Una nuova metodologia di ricerca, denominata EVIL (Evolving Interpretable algorithms with LLMs), utilizza una ricerca evolutiva diretta da modelli linguistici di grandi dimensioni per creare algoritmi semplici e interpretabili per l'inferenza di sistemi dinamici. Invece di affidarsi a estesi dataset per addestrare reti neurali, EVIL genera programmi puri in Python/NumPy che eseguono inferenza zero-shot e in-context su vari dataset. Questo framework è stato testato su tre compiti specifici: predizione degli eventi successivi nei processi temporali puntuali, stima delle matrici di tasso per processi di salto di Markov e imputazione di dati di serie temporali. Notevolmente, un singolo algoritmo evoluto generalizza efficacemente su tutti i dataset di valutazione senza la necessità di addestramento su ciascun dataset, simile a un modello di inferenza ammortizzata. Questa ricerca, documentata in arXiv:2604.15787v1, segna la prima istanza in cui l'evoluzione di programmi guidata da LLM produce una funzione di inferenza compatta per questi problemi. Gli algoritmi scoperti sono noti per la loro semplicità e interpretabilità, in contrasto con i metodi più complessi delle reti neurali. Questo studio illustra come la ricerca evolutiva, informata da modelli linguistici di grandi dimensioni, possa produrre funzioni di inferenza efficienti che non richiedono addestramento specifico per dataset.