MEMOIR: Sintesi di Solutori LLM tramite Ricerca ad Albero Guidata dalla Memoria

Un nuovo framework chiamato MEMOIR migliora la sintesi di solutori basati su grandi modelli linguistici (LLM) per l'ottimizzazione combinatoria (CO). La CO è cruciale per il processo decisionale in settori come la logistica e la progettazione di chip, dove soluzioni non realizzabili sono inefficaci e anche piccoli miglioramenti possono portare a significativi benefici economici. Recenti progressi hanno utilizzato LLM per automatizzare la creazione di programmi solutori eseguibili a partire da descrizioni in linguaggio naturale. Gli attuali agenti di ricerca ad albero ed evolutivi migliorano i percorsi candidati in parallelo, ma mancano di un trasferimento esplicito di conoscenza, il che può portare a violazioni dei vincoli e convergenza su tipi di algoritmi simili. MEMOIR presenta un sistema di memoria a due livelli: la memoria locale di ramo mantiene i dettagli di raffinamento basati sull'esecuzione durante le iterazioni di un singolo progetto algoritmico, mentre la memoria globale conserva riassunti compressi di algoritmi e modalità di fallimento tra i rami. Le intuizioni vengono distillate durante una fase di riflessione alla fine di ogni ramo. Il framework è descritto in arXiv:2605.17539.