arXiv · cs.AI· Yuan-Hang Zhang, Chesson Sipling, Massimiliano Di Ventra·· 1 天前
大语言模型驱动的科学发现元优化：3-SAT求解器组合优化案例研究
Scientific discovery as meta-optimization: a combinatorial optimization case study
arXiv:2606.26728v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yuan-Hang Zhang, Chesson Sipling, Massimiliano Di Ventra
研究任务与主要进展
研究者提出“共识目标聚合”框架，通过相关度加权投票组合大语言模型生成的多个目标函数，使评价标准随候选解同步演化。基于论文摘要，该框架在数字 memcomputing 机器的植入式3-SAT算法发现中，于2,560变量时将领先求解器的中位积分步数较调优基线降低超过38倍。消融实验显示，固定专家目标也能发现较强求解器，而共识聚合可提供稳定排序并缓解奖励黑客行为。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org