基于LLM的算法开发：以张量网络收缩顺序优化中LLM使用为例
Algorithmic algorithm development with LLMs: A Case Study on LLM-Usage for Contraction Order Optimization in Tensor Networks
AI总结：
通过OpenEvolve对张量网络收缩顺序优化的案例研究，探讨了基于LLM的算法开发，重点分析了LLM选择、评估指标和测试实例等设计因素，强调了验证引导的进化编码代理的潜力以及人类科学家在评估、验证和解释方面的重要性与挑战。
摘要：
我们通过一个关于张量网络收缩顺序优化的案例研究，使用OpenEvolve来考虑基于LLM的算法开发。我们特别关注LLM的选择以及设计选择，如评估指标和测试实例。我们的结果既突出了验证引导的进化编码代理在算法开发/改进方面的前景，也强调了人类科学家在评估、验证和解释方面的持续重要性及相应挑战。
英文摘要：
We consider LLM-based algorithm development through a case study on contractionorder optimisation for tensor networks with OpenEvolve. We pay particular attention to the choice of the LLM as well as design choices such as evaluation metric and test instances. Our results highlight both the promise of verifier-guided evolutionary coding agents for algorithm development/improvement and the continuing importance of evaluation, validation, and interpretation -- and corresponding challenges -- by the human scientist.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
