2026 Conference on Physics and AI: Shihui Zang

La présentation de Shihui Zang est une étude originale bien structurée, présentant une méthodologie novatrice pour l’application des LLM à la cosmologie. L’approche est rigoureuse : elle s’appuie sur des travaux antérieurs (FunSearch et AlphaEvolve) et introduit une amélioration pertinente (optimisation des paramètres) pour éviter les biais d’évaluation. Les résultats sont présentés de manière quantitative, avec des améliorations significatives sur plusieurs tâches. La comparaison avec les algorithmes humains est honnête, reconnaissant que l’évolution à partir d’un meilleur algorithme initial donne de meilleurs résultats, ce qui souligne l’importance de l’expertise humaine. La transparence sur les coûts est appréciable. Cependant, la présentation manque de détails sur les métriques d’évaluation exactes et sur la robustesse des résultats (par exemple, la variance entre les runs). De plus, la généralisation à d’autres domaines n’est pas discutée. Les sources citées sont limitées à des références générales (FunSearch, AlphaEvolve) sans détails précis, et le lien vers le site web de la conférence est fourni mais pas vers le code ou le papier. La qualité des informations est élevée, mais la profondeur est limitée par le format de présentation. L’adéquation titre/contenu est correcte, le titre étant générique mais le contenu étant spécifique. Dans l’ensemble, c’est une contribution solide qui mérite une note de 4 étoiles.

Le titre est générique et correspond au format de la conférence, mais ne reflète pas le contenu spécifique de la présentation.

8/10

Présentation académique dans le cadre d'une conférence universitaire (Stanford), avec description méthodologique détaillée, résultats chiffrés et comparaison à des travaux antérieurs. Les sources sont mentionnées mais non détaillées dans la vidéo.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction et présentation du sujet : Mad Evolve, optimisation évolutionnaire d'algorithmes cosmologiques avec LLM.
• 02:00Motivation : pipeline de données cosmologiques, besoin d'algorithmes précis et efficaces.
• 05:00Comparaison avec les travaux antérieurs : FunSearch et AlphaEvolve.
• 08:00Explication de la boucle évolutionnaire avec exemple de filtrage gaussien.
• 10:00Problème des paramètres libres et ajout de l'optimisation des paramètres via JAX.
• 12:00Présentation des trois tâches cosmologiques : reconstruction BAO, fond 21 cm, modélisation du champ baryonique.
• 15:00Résultats : améliorations significatives par rapport aux algorithmes humains.
• 18:00Coût de l'évolution : moins de 30 cents par génération, comparaison avec le coût d'un étudiant diplômé.
• 20:00Importance de l'algorithme initial : l'évolution à partir d'un meilleur algorithme donne de meilleurs résultats.
• 25:00Conclusion : les LLM peuvent améliorer les algorithmes, mais l'expertise humaine reste cruciale.

• Page de la conférence PAI26 — Page officielle de la conférence où la présentation a eu lieu, fournissant des informations sur l'événement.

• FunSearch — Travail antérieur sur l'évolution d'algorithmes avec LLM, mentionné dans la vidéo comme source d'inspiration.
• AlphaEvolve — Travail antérieur similaire, mentionné dans la vidéo.