KnowEvo: Knowledge Evolution for Protein Optimization
- 발행일
- 출처
- arXiv
- 논문 번호
- 1454
- 분야
- AI Agents
- arXiv 번호
- 2611.09013
이 논문은 LLM 과학 문제 해결에서 얻은 경험을 검사하고 고칠 수 있는 지식 자체로 만들어 진화시키는 문제를 실행 가능한 전문성 블록과 돌연변이 트리로 풀었다.
이 논문은 한마디로 단백질 최적화에서 외부화된 지식 자체를 최적화 대상으로 삼는 KnowEvo 프레임워크다. 지식을 실행 가능한 전문성 블록으로 표현하고 그 개정을 전략 돌연변이 트리로 조직해 조합적 지식 공간을 구조적으로 탐색한다. 순방향에는 톰프슨 표집 방식으로 평가 예산을 전략 변형에 적응적으로 배분하고, 역방향에는 코드 에이전트가 격리된 샌드박스에서 증거를 국소적 프로그램 수정으로 옮긴다. 안정성과 가용성 과제에서 초기 전략 블록과 기존 진화 기법들을 일관되게 앞섰다.
핵심 요약
- 연구진은 얻은 전문성이 모델 가중치에 박히거나 반복 과정에 흩어져 검사와 평가, 수정이 어려운 문제를 겨냥해 외부화된 지식 자체를 최적화 대상으로 삼는 KnowEvo를 제안했다.
- 지식을 실행 가능한 전문성 블록으로 표현하고 개정을 전략 돌연변이 트리로 조직해, 블록 단위로 실행과 증거를 일치시켰다.
- 순방향 단계는 톰프슨 표집 스타일의 사후 할당으로 평가 예산을 노드에 적응적으로 배분한다.
- 역방향 단계는 코드 에이전트가 격리된 샌드박스에서 롤아웃 증거를 검토해 대상 블록을 국소적으로 수정하고, 검증을 통과한 개정만 자식 노드로 추가한다.
- Rosetta 안정성 과제에서 pass@1을 42.4%에서 50.5%로, SaProt 가용성 과제에서 pass@1을 31.6%에서 51.5%로 올렸다.
- GEPA와 AdaEvolve 같은 LLM 기반 진화 기법들을 두 과제의 여섯 지표 모두에서 앞섰다.
논문 링크
외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.