AVO：自律的進化探索のためのAgentic Variation Operators
arXiv cs.LG / 2026/3/26
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、固定された突然変異／交叉や手設計のヒューリスティックに依存するのではなく、コーディングエージェントが自律的にバリエーション（提案、修復、批評、検証）を実行する新しい進化探索手法「Agentic Variation Operators（AVO）」を提案する。
- AVOは、制約付きのLLMによる候補生成パイプラインを置き換え、自分で指向するエージェントループによって、系譜（lineage）情報、ドメイン知識ベース、実行フィードバックを活用しながら実装を反復的に改善できるようにする。
- 実験では、高度に最適化されたAIカーネル（マルチヘッド注意）に焦点を当て、NVIDIA Blackwell（B200）GPU上で7日間にわたる連続的な自律進化を行い、cuDNNを最大3.5%、FlashAttention-4を最大10.5%上回るカーネルを見いだす。
- 発見されたカーネル最適化は、グループクエリ注意（grouped-query attention）にも移植でき、さらに自律的な適応を約30分行うだけで、cuDNNに対して最大7.0%、FlashAttention-4に対して9.3%の向上を達成する。
- 著者らはAVOが「LLM-in-the-loop」の進化パイプラインを超える一歩であり、エージェントを単なる候補生成器から、マイクロアーキテクチャの性能改善を生み出し得る完全なバリエーション演算子へと格上げするものだと主張する。
