בעולם האופטימיזציה הרציפה, שבו ביצועי אלגוריתמים תלויים במגוון הניסויים, חסרון מרכזי הוא המגוון המוגבל של חליפות הבדיקה הקיימות כמו BBOB. מחקר חדש מציג גישה חדשנית: שימוש במודלי שפה גדולים (LLM) במעגל אבולוציוני כדי לעצב בעיות אופטימיזציה עם תכונות נוף מוגדרות מראש. באמצעות מסגרת LLaMEA, החוקרים מנחים את ה-LLM לייצר קוד בעיות מתיאורים טבעיים של תכונות כמו ריבוי-מודלי, נפרדות, אחידות גודל אגני משיכה, אחידות מרחב חיפוש וניגוד בין אופטימום גלובלי למקומי. הגישה הזו פותרת בעיה מרכזית בתחום.
במעגל האבולוציוני, מועמדות לב בעיות נבחנות באמצעות מחלקי תכונות מבוססי ELA (Exploratory Landscape Analysis). מנגנון שיתוף כושר במרחב ELA מגביר את הגיוון באוכלוסייה ומנתק את היוצר מנופים מיותרים. התהליך כולל ציון אוטומטי של תכונות הרצויות, מה שמאפשר יצירה מבוקרת ומדויקת של בעיות חדשות. לפי הדיווח, השיטה מייצרת פונקציות שמתאימות בדיוק לתיאורים שניתנו.
אימות התוצאות נעשה באמצעות ניתוח אגני משיכה משלימים, בדיקות סטטיסטיות ובדיקה חזותית, שמאשרות כי רבות מהפונקציות שנוצרו מציגות את התכונות המבוקרות. בנוסף, הטבעה t-SNE מראה שהן מרחיבות את מרחב הערכים של BBOB ולא יוצרות אשכול נפרד. כך, הספרייה החדשה מספקת כלי רחב, פרשני וניתן לשחזור לבדיקת נופי בעיות ולמשימות כמו בחירת אלגוריתמים אוטומטית.
המשמעות העסקית של עיצוב בעיות אופטימיזציה בעזרת LLM היא עצומה: חברות שמפתחות אלגוריתמי אופטימיזציה יוכלו לבחון אותם בתנאים ריאליסטיים ומגוונים יותר, מה שישפר את הביצועים בפועל. בהשוואה ל-BBOB המסורתי, הספרייה החדשה מאפשרת התאמה אישית לתכונות ספציפיות, כמו נופים מורכבים עם ריבוי אופטימומים מקומיים. בישראל, שבה תעשיית ההייטק מתמקדת באופטימיזציה וב-AI, זה רלוונטי במיוחד לחברות כמו Mobileye או Wix שמשתמשות באלגוריתמים כאלה.
המחקר מדגים כיצד LLM יכולים לשמש לא רק לייצור טקסט, אלא גם לקוד ולבעיות מתמטיות מבוקרות. עבור מנהלי טכנולוגיה, זה אומר גישה חדשה לבניית סביבות בדיקה מותאמות אישית, שתקצר זמני פיתוח ותשפר החלטות. מה תהיה ההשפעה על בחירת אלגוריתמים אוטומטית בעסקים שלכם?