跳到正文
arXiv· Zijie Xing; Xingyue Liu; Runze Wang; Luoming Hu; Yanming Shen·· 10 天前AI 评分47

KnowEvo:面向蛋白质优化的知识进化框架

KnowEvo: Knowledge Evolution for Protein Optimization

AI 导读

KnowEvo 将外部化知识本身作为优化对象,把知识表示为可执行的专业知识模块、用策略变异树组织迭代改进,用于蛋白质稳定性与溶解度优化。框架以 Thompson 式预算分配配合代码智能体在隔离沙箱中的后向修订,让机制性知识持续积累与评估。在 pass@k、MRR、MAP、NDCG@5 上稳定优于初始策略模块、单体程序进化和此前的 LLM 引导进化基线,代码已在 GitHub 公开。

预印本 · arxiv · 2611.09013

本站摘要基于收录版本 v1(2026-11-09),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

大语言模型(LLMs)在科学发现中展现出潜力,但系统性地积累和提炼可复用的科学知识仍然充满挑战。现有方法主要通过参数优化,或对提示、程序和求解轨迹进行反馈驱动的改进来提升基于 LLM 的问题求解能力,这使得所获得的经验要么嵌入在模型权重中,要么散落在迭代求解过程中。因此,知识难以被系统地审视、评估和优化。我们提出 KnowEvo,一个将外化知识本身作为优化目标的框架。我们的核心洞察是:科学知识本质上是模块化的——多个相互作用的机制共同决定设计结果。这使得知识演化从根本上充满挑战,因为改进无法归因于单个独立的组件。为此,KnowEvo 将知识表示为可执行的专长块(expertise blocks),并将其优化过程组织为策略变异树(strategy mutation trees),从而在组合式知识空间中实现结构化探索。该框架结合了 Thompson 式的前向分配策略(自适应地在策略变体之间分配评估预算)与一个后向修订过程(其中代码智能体在隔离的沙箱中运行,将运行证据转化为局部化的程序更新)。这一设计使得机制性专长能够在迭代实验中实现持续的积累、评估与优化。我们在包括稳定性和溶解度在内的蛋白质优化任务上评估了 KnowEvo。结果表明,知识演化始终优于初始策略块,并在 pass@k、MRR、MAP 和 NDCG@5 等指标上超越了整体式程序演化以及先前的 LLM 引导演化基线。代码已开源:https://github.com/recynie/KnowEvo。

来源:arXiv · arxiv.org