แหล่งกำเนิดใหม่ของการสร้างตัวเลือกภายใต้การขยายขนาดพลังประมวลผล

เมื่อขนาดพลังประมวลผลขยายตัวอย่างต่อเนื่อง วิธีการสร้างตัวเลือกก็เกิดการเปลี่ยนแปลงอย่างสิ้นเชิง ในอดีต ตัวเลือกมักอาศัยการแจกแจงด้วยมือหรือผลลัพธ์จากการรันโมเดลเพียงครั้งเดียว แต่ในปัจจุบันการสำรวจแบบขนานด้วย GPU การสร้างอย่างมีโครงสร้างด้วยโมเดลขนาดใหญ่และการที่โมเดลมีส่วนร่วมในการเข้ารหัสและการกลายพันธุ์ได้ร่วมกันขยายแหล่งที่มาของตัวเลือก คำถามสำคัญจึงไม่ใช่เพียง “จะสร้างคำตอบได้หรือไม่” อีกต่อไป แต่เป็น “การเปลี่ยนแปลงใดที่สร้างได้ สังเกตได้ เก็บรักษาได้ และสืบทอดได้”

สามแหล่งกำเนิดใหม่ของการสร้างตัวเลือก

• การสำรวจแบบขนานด้วย GPU:ความเป็นไปได้จำนวนมากถูกสำรวจพร้อมกัน การสร้างตัวเลือกเปลี่ยนจากการลองผิดลองถูกแบบลำดับเป็น Sear 空間แบบขนาน ตัวอย่างเช่น การสุ่มจุดนับหมื่นในพื้นที่พารามิเตอร์พร้อมกันและประเมินผลแบบขนาน
• การสร้างอย่างมีโครงสร้างด้วยโมเดลขนาดใหญ่:โมเดลขนาดใหญ่สามารถเข้าใจภาษาธรรมชาติและโค้ด และสร้างตัวเลือกที่มีโครงสร้างซับซ้อนได้ ไม่ใช่เพียงสร้างคำตอบที่เป็นข้อความเท่านั้น แต่ยังสร้างโปรแกรมเต็มรูปแบบ กรณีทดสอบ หรือการตั้งค่าระบบได้อีกด้วย
• การที่โมเดลมีส่วนร่วมในการเข้ารหัสและการกลายพันธุ์:วิธีการเข้ารหัสและการกลายพันธุ์ด้วยมือเริ่มมีโมเดลเข้ามามีส่วนร่วมในการสร้าง แหล่งที่มาของตัวเลือกจึงขยายจากกฎที่มนุษย์เขียนเป็นกฎและโครงสร้างที่โมเดลสร้างขึ้น ตัวอย่างเช่น ให้โมเดลเสนอตัวดำเนินการกลายพันธุ์หรือกลยุทธ์การเข้ารหัสแบบใหม่

การกำหนดขอบเขตก่อนเข้าสู่วิวัฒนาการ

ก่อนที่ตัวเลือกจะเข้าสู่วิวัฒนาการ จำเป็นต้องกำหนดขอบเขตต่อไปนี้ให้ชัดเจน:

• วัตถุใดที่อนุญาตให้เปลี่ยนแปลง:กำหนดสิ่งที่วิวัฒนาการได้ ว่าเป็นโครงสร้างโค้ด ไฮเปอร์พารามิเตอร์ หรือสถาปัตยกรรมทั้งหมด?
• ผลลัพธ์ใดที่สามารถสังเกตได้:กำหนดตัวชี้วัดที่สังเกตได้ เช่น ความแม่นยำ ความหน่วง การใช้ทรัพยากร เป็นต้น
• เกณฑ์ใดที่กำหนดว่าการเปลี่ยนแปลงหนึ่งควรถูกเก็บรักษาไว้:สร้างเกณฑ์การเก็บรักษา ซึ่งมักเป็นฟังก์ชันประเมินแบบหลายวัตถุประสงค์หรือค่าเกณฑ์

กลยุทธ์การประเมินแบบแบ่งชั้น

การประเมินจำเป็นต้องแบ่งชั้น:การประเมินที่ทำแบบขนานได้ให้ทำขนานให้มากที่สุด; การประเมินที่มีต้นทุนสูงให้ใช้ตัวแบบตัวแทนลดภาระตัวอย่างเช่น ตัวชี้วัดประสิทธิภาพง่าย ๆ สามารถคำนวณแบบขนานบน GPU ได้ ส่วนการประเมินที่มีต้นทุนสูงซึ่งต้องปฏิสัมพันธ์กับสภาพแวดล้อมจริงจะใช้ตัวแบบตัวแทนประมาณค่า เพื่อขยายขอบเขตการค้นหาภายใต้พลังประมวลผลที่จำกัด

การระบุโครงสร้างที่วิวัฒนาการได้และการเก็บรักษาผลลัพธ์

จำเป็นต้องระบุว่าโครงสร้างใดในวิธีการที่มีอยู่สามารถวิวัฒนาการต่อไปได้ ไม่ใช่เพียงปรับพารามิเตอร์เชิงตัวเลข ตัวอย่างเช่น ใช้รูปแบบการเชื่อมต่อโมดูลในโครงข่ายประสาทเทียมหรือโครงสร้างการควบคุมลำดับของโค้ดเป็นวัตถุที่กลายพันธุ์ได้ ขณะเดียวกันต้องบันทึกโค้ด การทดสอบ และหลักฐานการตรวจสอบ เพื่อให้การทำงานรอบถัดไปไม่ต้องเริ่มจากศูนย์และหลีกเลี่ยงการทำงานซ้ำซ้อน

เชื่อมต่อกับวงจร EvoX

เมื่อขอบเขตข้างต้นชัดเจน งานก็สามารถเชื่อมต่อกับวงจร EvoX ได้:โมเดลเสนอตัวเลือก เครื่องมือดำเนินการเปลี่ยนแปลง สภาพแวดล้อมส่งคืนผลตอบกลับ กลไกวิวัฒนาการคัดเลือกเสร็จสิ้น Runtime จัดระเบียบการประมวลผล ระบบแบบถาวรสืบทอดผลลัพธ์ที่ผ่านการทดสอบแล้วด้วยวิธีนี้ องค์ประกอบอัจฉริยะที่กระจัดกระจายจึงสามารถสะสมอย่างต่อเนื่อง ก่อให้เกิดระบบที่วิวัฒนาการไม่หยุดนิ่ง