FunSearch

此仓库与以下论文配套：

Romera-Paredes, B. 等人. 大型语言模型程序搜索中的数学发现. Nature (2023)

仓库包含 6 个独立目录：

• cap_set 包含由 FunSearch 发现的用于构造大容量覆盖集的函数，并且我们还以数值格式提供了这些覆盖集，方便使用。

• admissible_set 包含由 FunSearch 发现的用于构造大容许集的函数，并且我们也以数值格式提供了这些容许集，方便使用。

• bin_packing 包含 FunSearch 发现的用于在线一维装箱问题的启发式算法，以及用于复现论文中结果的评估套件。

• cyclic_graphs 包含由 FunSearch 发现的用于在循环图的强积上构造大独立集的函数，并且我们还以数值格式提供了这些集合，方便使用。

• corner_free_sets 包含以数值格式表示的索引集合，这些集合满足补充信息中描述的无角问题的组合退化约束条件。

• implementation 包含进化算法的实现、代码操作工具以及 FunSearch 流水线的单线程版本。该目录不包含用于生成新程序的语言模型、执行不可信代码的沙盒，也不包含在我们的分布式系统上运行 FunSearch 的基础设施。此目录旨在帮助理解我们方法的细节，并便于将其适配到任何可用的语言模型、沙盒和分布式系统上。

安装

无需安装。所有笔记本均可在 Google Colab 中打开并运行。

使用说明

• cap_set: 可通过 打开 cap_set.ipynb 笔记本。

• admissible_set: 可通过 打开 admissible_set.ipynb 笔记本。

• bin_packing: 可通过 打开 bin_packing.ipynb 笔记本。

• cyclic_graphs: 可通过 打开 cyclic_graphs.ipynb 笔记本。

引用本工作

如果您使用本包中的代码或数据，请引用以下文献：

@Article{FunSearch2023,
  author  = {Romera-Paredes, Bernardino and Barekatain, Mohammadamin and Novikov, Alexander and Balog, Matej and Kumar, M. Pawan and Dupont, Emilien and Ruiz, Francisco J. R. and Ellenberg, Jordan and Wang, Pengming and Fawzi, Omar and Kohli, Pushmeet and Fawzi, Alhussein},
  journal = {Nature},
  title   = {Mathematical discoveries from program search with large language models},
  year    = {2023},
  doi     = {10.1038/s41586-023-06924-6}
}

许可与免责声明

版权所有 © 2023 DeepMind Technologies Limited

所有软件均采用 Apache License, Version 2.0（Apache 2.0）许可；除非符合 Apache 2.0 许可条款，否则不得使用本文件。您可以在以下网址获取 Apache 2.0 许可文本： https://www.apache.org/licenses/LICENSE-2.0

其他所有材料均采用 Creative Commons Attribution 4.0 国际许可（CC-BY）。您可以在以下网址获取 CC-BY 许可文本： https://creativecommons.org/licenses/by/4.0/legalcode

除非适用法律要求或另有书面约定，否则在此以 Apache 2.0 或 CC-BY 许可分发的所有软件和材料均按“现状”提供，不附带任何形式的明示或默示担保或条件。具体权限和限制请参阅相关许可协议。

本项目并非 Google 官方产品。

FunSearch 快速上手指南

FunSearch 是 DeepMind 开源的基于大语言模型进行程序搜索以发现数学新知的工具。本项目无需本地安装复杂环境，推荐直接使用 Google Colab 运行。

环境准备

• 系统要求：无需特定操作系统，只需现代浏览器。
• 前置依赖：
  • Google 账号（用于登录 Colab）。
  • 稳定的网络连接（访问 Google Colab 及 GitHub）。
• 注意：本项目核心代码已在 Jupyter Notebook 中封装，本地无需配置 Python 环境或安装额外依赖包。

安装步骤

本项目无需执行任何安装命令。所有功能模块均提供独立的 .ipynb 文件，可直接在云端环境中运行。

若需查看源码或离线研究算法实现细节，可克隆仓库：

git clone https://github.com/google-deepmind/funsearch.git
cd funsearch

注：implementation 目录包含进化算法和代码操作的核心逻辑，但不包含大模型调用、沙箱执行及分布式系统基础设施，仅供原理研究与二次开发参考。

基本使用

点击以下链接直接在 Google Colab 中打开并运行对应领域的示例笔记本：

1. 构造大容量 Cap 集 (Cap Set)

探索由 FunSearch 发现的大容量 Cap 集构造函数及数值结果。

• 运行方式：点击链接直接运行

2. 构造允许集 (Admissible Set)

探索用于构造大允许集的函数及数值结果。

• 运行方式：点击链接直接运行

3. 在线一维装箱问题启发式算法 (Bin Packing)

复现论文中报告的在线一维装箱问题的启发式策略及评估结果。

• 运行方式：点击链接直接运行

4. 循环图强积中的独立集 (Cyclic Graphs)

探索在循环图强积中构造大独立集的函数及数值结果。

• 运行方式：点击链接直接运行

5. 无角集索引 (Corner-free Sets)

查看满足组合退化约束的无角集索引数值结果（详见论文补充材料）。

• 说明：此部分主要提供数据结果，具体代码逻辑请参考上述其他笔记本或 implementation 目录。

---

引用说明：若使用本项目的代码或数据，请参照 README 中的 BibTeX 格式引用 Nature 2023 年发表的相关论文。