検索スペースと決定変数を定義する

AlphaEvolve のユースケースの検索空間と決定変数を定義するには、問題をコードとして適切に定式化し、進化型ヒューリスティックが反復して改善できる動作するベースライン ソリューションを提供する必要があります。

このプロセスには次の操作が含まれます。

  • ターゲット コンテキストの提供: 最適化ユースケースの背景、ドメインルール、パフォーマンスの境界を確立します。

  • クリーンなベースラインを提供する: 対象の問題のベースライン ソリューションを正しく実装する、明確で構造化されたコードを提供します。

  • 自由度のタグ付け: 明示的な EVOLVE-BLOCK コメントでコードベースにアノテーションを付け、エージェントが変異させて探索し、よりパフォーマンスの高いソリューションを特定できる特定の決定変数、ロジック構造、ルーチンをマークします。

初期プログラムの構造

初期プログラムは、進化検索の境界を決定する 2 つの主要なブロックタイプで構成されます。

  1. 不変コードブロック: 検索空間を制約する、またはソリューションのパフォーマンスに影響しないタスク（標準の前処理ステップやデータ処理ルーティンなど）を実行するボイラープレート コード、ヘルパー関数、依存関係。

  2. 変更可能なコードブロック（EVOLVE-BLOCK）: エージェントが探索して変更できる特定の決定変数、ロジック構造、分析式を含むターゲット リージョン。

    import numpy as np
# Code to constrain the search space (Immutable)
def def_preprocessing():
    """Feature engineering and preprocessing."""
    pass

# EVOLVE-BLOCK-START
# Mutable block: Provides degrees of freedom for AlphaEvolve to optimize
def model_tuning():
    """Model tuning function: parametrized to take features."""
    pass
# EVOLVE-BLOCK-END

# Boilerplate code that does not impact solution performance (Immutable)
def batch_predictions():
    """Inference function: batch predictions to test performance."""
    pass

検索空間を制約するためのベスト プラクティス

不変のインポートをどのように配置し、進化ブロックを明示的に配置するかによって、AlphaEvolve の運用境界が示されます。

ライブラリのインポートと依存関係を管理する

AlphaEvolve は、本番環境で有効な外部ライブラリを本質的に判断することはできません。

オープンな探索を許可するには: 指標を最大化するために機械学習パッケージまたは数学パッケージが許容される場合は、変更可能な EVOLVE-BLOCK の内部にインポートを配置します。これにより、AlphaEvolve は代替フレームワークを自由に置き換えることができます（sklearn を TensorFlow や xgboost に置き換えるなど）。

厳格なツールチェーンを適用するには: すべてのモデルが特定のパッケージから取得される必要がある場合は、そのパッケージを進化ブロック外の不変インポートとして宣言します。AlphaEvolve が検索中にそのパッケージの追加の内部モジュールを必要とする場合でも、グローバル制約に違反することなく、その可変スペース内でローカルにインポートできます。

制約が多すぎる検索スペースを避ける

できるだけ多くのハード制約を、初期プログラムまたはユーザーが提供した追加のテキスト コンテキスト内の不変のコードブロックとして定式化します。これにより、エージェントが構造的に実行不可能なソリューションを探索する可能性を最小限に抑えることができます。

ただし、進化論的アプローチが冗長になるほど検索空間を狭めないでください。たとえば、AlphaEvolve で単一パラメータの線形回帰のみを使用するように強制すると、問題は標準のグリッド検索ユーティリティで解析できる狭い構成スペースに縮小されます。代わりに、評価基準でソフト制約を負のペナルティとして使用して、探索を妨げることなくガイドします。

目標を達成するための戦略的なブロックの配置

EVOLVE-BLOCK のスコープを変更すると、パイプラインの最適化目標全体がシフトします。

アウトオブサンプル（OOS）キャリブレーションの最適化: 広範なアルゴリズムの検出が目標の場合は、モデルのチューニングと初期化ルーチン全体をブロックで囲みます。

構造的適合性の最適化: 線形フレームワークを維持しながら、複雑な分析式やカスタムの数学的変換を見つけたい場合は、下流のモデル アーキテクチャを固定して不変に保ちながら、特徴変換ロジックの周りに可変ブロックを厳密に分離します。

モジュール階層の保持（HDL/Verilog の例）: 構造コードブロックの構成を最適化するときは、EVOLVE-BLOCK-START タグと EVOLVE-BLOCK-END タグをモジュール定義の境界内に厳密に保持します。これにより、単一のクリーンに包含されたモジュールを複数のマッピングされていないフローティング サブモジュールに置き換えようとするなど、構造的に無効な移動が検索ヒューリスティックによって行われるのを防ぎます。