Antigravity Agent
2.1 KiB
2.1 KiB
id, category, confidence_score, tags, last_reinforced
| id | category | confidence_score | tags | last_reinforced | |||||
|---|---|---|---|---|---|---|---|---|---|
| EVO-COMP-001 | 10_Wiki/💡 Topics/AI | 1.0 |
|
2026-04-26 |
Evolutionary Computation (진화 연산)
📌 한 줄 통찰 (The Karpathy Summary)
"생존에 유리한 코드를 남기고 진화시켜 전역 최적해를 향한 지름길을 찾아라" — 다윈의 진화론에서 영감을 얻어, 후보 해들의 집단(Population)을 생성하고 교배와 돌연변이를 거쳐 세대를 거듭하며 해의 품질을 높여가는 확률적 최적화 알고리즘.
📖 구조화된 지식 (Synthesized Content)
- 추출된 패턴: 목표 지점에 도달하기 위해 수학적 경사(Gradient)를 따라가는 대신, 무작위성을 가미한 탐색과 적자생존의 원칙을 결합하여 지역 최적해(Local Minima)를 돌파하는 진화적 탐색 패턴.
- 주요 구성 요소:
- Selection: 적합도(Fitness)가 높은 우수한 해를 다음 세대의 부모로 선택.
- Crossover (Recombination): 부모 해들의 특징을 결합하여 새로운 자손 생성.
- Mutation: 무작위 변화를 주어 집단의 다양성을 유지하고 탐색 공간 확장.
- Fitness Landscape: 해의 품질이 분포된 지형을 탐험하며 정상을 찾는 과정.
- 의의: 미분 불가능한 비선형 문제, 다목적 최적화, 신경망 구조 탐색(NAS) 등 광범위한 분야에서 활용.
⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- 과거 데이터와의 충돌: 초기에는 연산량이 많아 비효율적인 방식으로 여겨졌으나, 병렬 컴퓨팅의 발달과 신경망과의 결합(Neuroevolution)을 통해 다시 주목받음.
- 정책 변화: Antigravity 프로젝트는 에이전트의 전략 수립 모델 최적화 시, 강화학습과 진화 연산을 결합하여 안정성과 탐색 능력의 균형을 맞춤.