Resumen: El modelado geoespacial proporciona soluciones críticas para presionar desafíos globales, como la sostenibilidad y el cambio climático. Los marcos de descubrimiento de algoritmo de lenguaje grande existente (LLM), como Alphaevolve, sobresalen en la evolución del código genérico, pero carecen del conocimiento del dominio y el razonamiento de varios pasos requeridos para problemas geoespaciales complejos. Introducimos a GeoVolve, un marco LLM de múltiples agentes que combina la búsqueda evolutiva con conocimiento del dominio geoespacial para diseñar y refinar automáticamente los algoritmos geoespaciales. GeoEvolve opera en dos bucles anidados: un bucle interno aprovecha un código de código para generar y mutar soluciones candidatas, mientras que un controlador de agente externo evalúa las élites globales y consulta un módulo GeoKnowrag, una base de conocimiento geoespacial estructurada que inyecta los principales principales de la geografía. Esta evolución guiada por el conocimiento dirige la búsqueda hacia algoritmos teóricamente significativos y computacionalmente eficientes. Evaluamos el geovolio en dos tareas fundamentales y clásicas: interpolación espacial (kriging) y cuantificación de incertidumbre espacial (predicción conformal geoespacial). En estos puntos de referencia, GeoEvolve mejora y descubre automáticamente nuevos algoritmos, incorporando la teoría geoespacial sobre los modelos clásicos. Reduce el error de interpolación espacial (RMSE) en un 13-21% y mejora el rendimiento de la estimación de la incertidumbre en un 17 %. Los estudios de ablación confirman que la recuperación guiada por el dominio es esencial para la evolución estable de alta calidad. Estos resultados demuestran que GeoVolve proporciona un camino escalable hacia el modelado geoespacial automatizado y basado en el conocimiento, abriendo nuevas oportunidades para el descubrimiento de AI por ciencia confiable y eficiente.
Publicado Originalme en export.arxiv.org El 28 de septiembre de 2025.
Ver Fuente Original
