EvoMem: Memoria Persistente per l'Ottimizzazione Evolutiva del Codice Basata su LLM

Un recente preprint su arXiv presenta EvoMem, un'architettura innovativa di memoria persistente volta a migliorare le ricerche evolutive di programmi guidate da LLM, catturando e riutilizzando la conoscenza delle mutazioni candidate attraverso vari compiti ed esecuzioni. Il documento, indicato come arXiv:2608.10795v1, sostiene che le strategie di mutazione efficaci nelle ricerche evolutive di codice spesso contengono intuizioni riutilizzabili che trascendono le singole esecuzioni e possono essere applicate a domini correlati. Gli attuali modelli evolutivi guidati da LLM tendono a trascurare questa preziosa conoscenza, con conseguente ridondante riscoperta di concetti simili e limitando l'apprendimento tra esecuzioni e tra compiti. EvoMem rimedia a ciò trasformando le occorrenze di mutazioni riuscite in indicazioni organizzate e sensibili al contesto per le iterazioni future. L'architettura funziona in due fasi: raccoglie e archivia idee promettenti dopo le esecuzioni e recupera istruzioni pertinenti per guidare le mutazioni nelle evoluzioni successive. Le valutazioni sono state condotte in aree come l'ottimizzazione geometrica, il question answering multi-hop e l'ottimizzazione dei kernel GPU, sebbene i risultati specifici non siano dettagliati nell'abstract. Questa ricerca è significativa per l'intelligenza artificiale, l'apprendimento automatico e l'ottimizzazione automatica del codice, essendo stata pubblicata su arXiv il 26 agosto 2025.