EvoLattice: Graphbasiertes Evolution-Framework für LLM-Programmfindung

Auf dem arXiv erschienen die Ergebnisse zu EvoLattice (ArXiv:2512.13857v1), einem neuen Ansatz, der die Evolution von Programmen und Multi‑Agenten mithilfe von großen Sprachmodellen (LLMs) revolutioniert. Im Gegensatz zu bisherigen Methoden, die meist nur einen Kandidaten gleichzeitig speichern und dadurch wertvolle Varianten verwerfen, nutzt EvoLattice einen gerichteten azyklischen Graphen, in dem jede Knotenstelle mehrere persistente Alternativen enthält.

Jeder gültige Pfad durch diesen Graphen definiert ein eigenständiges, ausführbares Programm. So entsteht ein riesiger kombinatorischer Suchraum, ohne dass Strukturen dupliziert werden müssen. Durch die Bewertung jeder Alternative über alle Pfade hinweg erhält man detaillierte Statistiken, die zeigen, wie lokale Designentscheidungen die globale Leistung beeinflussen. Diese datengetriebenen Rückmeldungen dienen als präziser Leitfaden für LLM‑gestützte Mutationen, Rekombinationen und das gezielte Entfernen von Komponenten.

Ein weiteres Highlight ist die deterministische Selbstreparatur, die die Acyclicität und die Abhängigkeitskonsistenz garantiert – unabhängig von den von der LLM erzeugten Änderungen. Dadurch bleibt die strukturelle Korrektheit stets gewährleistet. EvoLattice lässt sich zudem nahtlos auf die Evolution von Agenten übertragen, indem Alternativen als Prompt‑Fragmente oder Sub‑Agent‑Verhaltensweisen interpretiert werden.

In Experimenten zur Programmsynthese, Proxy‑Optimierung und Meta‑Learning zeigte EvoLattice deutlich stabilere Evolutionsverläufe, höhere Ausdruckskraft und stärkere Verbesserungsraten als frühere LLM‑gesteuerte Ansätze. Diese Ergebnisse unterstreichen das Potenzial von graphbasierten, persistenten Populationen für die nächste Generation von KI‑unterstützten Entwicklungswerkzeugen.