Resumen:La optimización de los algoritmos informáticos científicos para las GPU modernas es un proceso iterativo y que requiere mucha mano de obra que implica modificaciones repetidas del código, evaluaciones comparativas y ajustes en pilas complejas de hardware y software. Trabajos recientes han explorado métodos evolutivos asistidos por modelos de lenguaje grande (LLM) para la optimización automatizada de código, pero estos enfoques se basan principalmente en la selección basada en resultados y la mutación aleatoria, subutilizando la rica información de trayectoria generada durante la optimización iterativa. Proponemos PhyloEvolve, un sistema de agente LLM que reformula la optimización de algoritmos orientados a GPU como un problema de aprendizaje por refuerzo en contexto (ICRL). Esta formulación permite la reutilización de la experiencia de optimización condicionada por la trayectoria sin necesidad de volver a entrenar el modelo. PhyloEvolve integra la destilación de algoritmos y los transformadores de decisiones basados en indicaciones en un flujo de trabajo iterativo, tratando secuencias de modificaciones de algoritmos y retroalimentación de rendimiento como señales de aprendizaje de primera clase. Para organizar el historial de optimización, introducimos una representación de árbol filogenético que captura la herencia, la divergencia y la recombinación entre variantes del algoritmo, lo que permite el seguimiento, la transferencia entre linajes y la reproducibilidad. El sistema combina la agrupación de trayectorias de élite, la exploración paralela de varias islas y la ejecución en contenedores para equilibrar la exploración y la explotación en hardware heterogéneo. Evaluamos PhyloEvolve en cargas de trabajo de informática científica, incluidos solucionadores de PDE, aprendizaje múltiple y algoritmos de gráficos espectrales, demostrando mejoras consistentes en el tiempo de ejecución, la eficiencia de la memoria y la corrección con respecto a los métodos de referencia y evolutivos. El código está publicado en: esta URL https
Publicado originalmente en export.arxiv.org el 21 de enero de 2026.
Ver fuente original
