Awesome Auto Research Hub 论文 · 数据集 · 项目
← 返回论文列表

算法师早期发现 I:大规模可证明算法合成的潜力

arXiv 2026 64 method

TLDR

Algorithmist 是一个基于LLM的自主智能体,合成可证明算法,在隐私和聚类任务上评估,产生可靠方法并发现错误。

评分理由

The paper presents a novel multi-agent system for automated algorithm synthesis with provable guarantees, demonstrating strong empirical results and real-world applicability. However, the evaluation is limited to two domains, and scalability to broader algorithmic problems remains unaddressed.

Read-first 评分解释

综合优先阅读分 64,由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 74。

近期性 8%
100

使用温和的时间衰减,让近期论文更容易浮现,同时保留较早基础工作的价值。 年份:2026

方法质量 25%
70

检查可见的摘要与分析字段,寻找实验、数据集、基线、指标和局限性等方法证据。 命中信号:分析、数据集、结果

主题相关性 42%
61.7

使用现有 LLM 关键词相关性评分,并归一化到 0-100。 关键词:AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

可复现性 25%
50

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。 论文:有;代码:无;数据:无;命中信号:工件、代码、数据集、GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性:volatile;排名波动范围:23。

关键词评分

autonomous research agent
10
automated scientific discovery
9
research automation
9
scientific discovery agent
9
automated research
8
AI for scientific research
8
paper writing agent
7
AI scientist
6
automated experimentation
5
experiment design agent
3
literature review agent
0
survey generation
0

深度分析

创新点

  • Algorithmist:用于可证明算法合成的自主多智能体研究与审查循环
  • 以证明为先的代码合成范式,带有结构化自然语言证明中间表示
  • 利用LLM进行即时可证明算法合成,克服固定算法池和先验分布假设
  • 多阶段流程:想法生成、算法/证明开发、证明引导的实现、以及证明、代码和对齐的审查

方法

Algorithmist 基于 GitHub Copilot 构建,是一个多智能体系统,迭代进行想法生成、算法和证明开发、证明引导的实现以及审查阶段。它在私有数据分析和聚类的研究级任务上进行了评估,要求同时满足隐私、近似和可解释性约束。

关键结果

Algorithmist 生成了可证明正确且经验有效的算法,附带研究风格的撰写和审计实现;它在某些设置中发现了改进的算法,在其他设置中解释了原则性障碍,并发现了先前已发表工作中一个微妙的证明错误。

标签

SEAI