Mensch + KI: Neue Grenzen in Heuristik-Optimierung

In einer bahnbrechenden Studie wird gezeigt, wie die Kombination von menschlicher Expertise und großen Sprachmodellen (LLMs) die Lösung von offenen Problemen in der theoretischen Informatik vorantreiben kann. Der Fokus liegt dabei auf der kombinatorischen Optimierung, wo die Forscher die Ergebnisse des FunSearch-Algorithmus – einer Evolutionären Suchmethode – verfeinern, um bislang unerreichte Untergrenzen für gängige Heuristiken zu bestimmen.

Ein zentrales Ziel der Arbeit ist die Erzeugung von „adversarialen“ Instanzen, bei denen Standardheuristiken besonders schlecht abschneiden. Durch wiederholtes Iterieren über die von FunSearch generierten Muster konnten die Autoren verbesserte Konstruktionen für mehrere klassische Probleme entwickeln: hierarchisches k-Median-Clustering, Bin Packing, das Rucksackproblem und eine Erweiterung des Gasoline-Problems von Lovász. Einige dieser Aufgaben waren seit über einem Jahrzehnt nahezu unverändert – bis jetzt.

Die Ergebnisse verdeutlichen, dass LLMs wertvolle Ausgangspunkte liefern, jedoch menschliches Fachwissen unerlässlich ist, um diese Muster in mathematisch rigorose und tiefgreifende Konstruktionen zu überführen. Die Arbeit unterstreicht damit die Rolle von KI als leistungsstarkes Kollaborationstool in Mathematik und Informatik, das gemeinsam mit Experten neue Grenzen verschiebt.