LLM 引導演化搜尋破解刪除錯誤更正碼最大化難題

背景與挑戰

刪除錯誤更正碼的最大化問題已懸而未決超過七十年，即使是僅針對單一刪除的情況也缺乏通用解法。

LLM 引導的演化搜尋

研究者將 FunSearch 這套結合大型語言模型（LLM）與演化搜尋的框架套用於此問題，讓模型產生並測試大量構造碼的函式。

單一刪除的突破

搜尋結果得到一個函式，經證明可產生被廣泛認為是最佳的 Varshamov‑Tenengolts 碼，首次以自動化方式重現此理論最佳解。

多刪除與四元編輯碼的進展

對於多刪除與四元（quaternary）編輯碼，發現的函式在實驗上超過先前的顯式、搜尋式與神經網路構造，但仍屬於經驗性啟發，未提供全新理論證明。

演化搜尋的設計洞見

研究指出，對此類問題，將計算資源分配給更多函式樣本比延長單一函式的推理步驟更有效；同時，讓自然語言描述與程式碼共同演化會降低搜尋品質。為提升多樣性，團隊在演化過程中去除邏輯上相同的函式，證實此去重策略是關鍵。

限制與未來方向

目前函式的評估成本隨碼長呈指數級成長，使得此方法僅適用於短碼長度。未來需要改進評估效率或結合其他優化技巧，才能將此技術擴展至實際通訊系統。

延伸閱讀

• EULER-ADAS：結合有界 Posit 與階段化對數乘法的低耗可靠 ADAS 加速器設計
• Litespark‑Inference：自訂 SIMD 核心於消費級 CPU 上加速三值量化神經網路
• SRFT + int4 KV-cache：在 Apple Silicon 統一記憶體下的低延遲長上下文部署

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。