https://arxiv.org/abs/2410.02543

머신 러닝과 생물학의 융합에서 우리는 확산 모델이 진화 알고리즘임을 밝힙니다. 진화를 노이즈 제거 프로세스로, 역진화를 확산으로 간주함으로써, 우리는 확산 모델이 본질적으로 진화 알고리즘을 수행하며, 자연스럽게 선택, 돌연변이, 생식적 고립을 포함한다는 것을 수학적으로 증명합니다. 이러한 동등성을 바탕으로, 우리는 확산 진화 방법을 제안합니다. 이는 확산 모델의 맥락에서 처음 도입된 반복적 노이즈 제거를 활용하여 매개변수 공간에서 휴리스틱하게 솔루션을 정제하는 진화 알고리즘입니다. 기존의 접근 방식과 달리, 확산 진화는 여러 최적 솔루션을 효율적으로 식별하고 주요 주류 진화 알고리즘보다 성능이 뛰어납니다. 또한, 잠재 공간 확산 및 가속 샘플링이라는 확산 모델의 고급 개념을 활용하여, 계산 단계를 크게 줄이면서 고차원 복소 매개변수 공간에서 진화 작업에 대한 솔루션을 찾는 잠재 공간 확산 진화를 소개합니다. 확산과 진화 사이의 이러한 유사점은 두 개의 다른 분야를 연결할 뿐만 아니라 상호 향상을 위한 새로운 길을 열어, 개방형 진화에 대한 의문을 제기하고 확산 진화의 맥락에서 비가우스 또는 이산 확산 모델을 잠재적으로 활용할 수 있게 합니다.