EvoLattice 다중대안 품질다양성 그래프 기반 지속적 내부 인구 진화
읽는 시간: 2 분
...
📝 원문 정보
- Title: EvoLattice: Persistent Internal-Population Evolution through Multi-Alternative Quality-Diversity Graph Representations for LLM-Guided Program Discovery
- ArXiv ID: 2512.13857
- 발행일: 2025-12-15
- 저자: Kamer Ali Yuksel
📝 초록 (Abstract)
대형 언어 모델(LLM)이 프로그램 및 다중 에이전트 시스템을 진화시키는 데 점점 더 많이 활용되고 있지만, 기존 접근 방식은 대부분 단일 후보만을 유지하는 덮어쓰기 기반 변이를 사용한다. 이러한 방법은 유용한 변이를 버리고 파괴적인 편집에 취약하며, 구조적 실패에 쉽게 노출되는 취약한 탐색 공간을 만든다. 우리는 후보 프로그램이나 에이전트 행동 전체 인구를 하나의 방향성 비순환 그래프(DAG) 안에 표현하는 EvoLattice 프레임워크를 제안한다. 각 노드는 여러 지속적 대안을 저장하고, 그래프를 통과하는 모든 유효 경로는 서로 다른 실행 가능한 후보를 정의하여 구조를 중복하지 않으면서도 거대한 조합 탐색 공간을 제공한다. EvoLattice는 대안 수준의 세밀한 평가를 가능하게 하여, 각 대안을 포함하는 모든 경로에서 점수를 매기고, 이러한 통계가 지역 설계 선택이 전역 성능에 미치는 영향을 드러낸다. 이 통계는 LLM이 주도하는 변이, 재조합, 가지치기를 위한 밀도 높은 데이터 기반 피드백 신호를 제공하면서 성공적인 구성 요소는 보존한다. 구조적 올바름은 그래프의 비순환성 및 의존성 일관성을 독립적으로 강제하는 결정적 자체 복구 메커니즘에 의해 보장된다. 대안들을 프롬프트 조각이나 하위 에이전트 행동으로 해석함으로써 EvoLattice는 에이전트 진화에도 자연스럽게 확장된다. 프로그램 합성(프록시 및 옵티마이저 메타러닝) 실험에서 EvoLattice는 기존 LLM 기반 방법보다 더 안정적인 진화, 높은 표현력, 강력한 향상 궤적을 보여준다. 내부 다중대안 표현으로부터 암묵적으로 발생하는 품질‑다양성 최적화 동역학은 별도의 외부 아카이브 없이도 자연스럽게 나타난다.💡 논문 핵심 해설 (Deep Analysis)
