[論文レビュー] Autonomous Algorithm Discovery for Ptychography via Evolutionary LLM Reasoning

Xiangyu Yin, Ming Du+4 more|arXiv (Cornell University)|Mar 5, 2026

Advanced X-ray Imaging Techniques被引用数 0

ひとこと要約

Ptychi-Evolve は大規模言語モデルを利用して Pty-Chi の再構成の正則化アルゴリズムを自律的に発見・進化させ、三つの難易度の高いデータセットでベースラインを上回りつつ解釈可能なアルゴリズム系譜を保持する。

ABSTRACT

Ptychography is a computational imaging technique widely used for high-resolution materials characterization, but high-quality reconstructions often require the use of regularization functions that largely remain manually designed. We introduce Ptychi-Evolve, an autonomous framework that uses large language models (LLMs) to discover and evolve novel regularization algorithms. The framework combines LLM-driven code generation with evolutionary mechanisms, including semantically-guided crossover and mutation. Experiments on three challenging datasets (X-ray integrated circuits, low-dose electron microscopy of apoferritin, and multislice imaging with crosstalk artifacts) demonstrate that discovered regularizers outperform conventional reconstructions, achieving up to +0.26 SSIM and +8.3~dB PSNR improvements. Besides, Ptychi-Evolve records algorithm lineage and evolution metadata, enabling interpretable and reproducible analysis of discovered regularizers.

研究の動機と目的

• ill-posed な Pty-Chi 再構成に対する正則化戦略の自律的発見を動機づける。
• LLM による実行可能な正則化子の生成と Pty-Chi への統合・進化を可能にする。
• 再現性のある発見のための柔軟な評価・履歴追跡パイプラインを提供する。
• diverse なデータセットに渡る基準再構成との改善をデ baseline 以上で示す。

提案手法

• LLM エンジンが Pty-Chi と互換性のある Python 関数として実行可能な正則化子コードを生成する。
• 意味論的ガイド付きクロスオーバーと突然変異が正則化子の進化的精製を導く。
• 多模態評価（実測値、人間専門家、視覚言語モデル）を用いて選択を導く。
• メタデータを伴う履歴管理が解釈可能性とチェックポイント化を可能にする。
• 生成コードが制限された環境で安全に実行できるようセキュリティと入力検証を実施。
• 長時間の探索でも発見を現実的に保つためのチェックポイント化と圧縮。

Figure 1 : System architecture of Ptychi-Evolve showing the discovery loop. The LLM Engine generates regularizer code, which is executed by the Pty-Chi reconstruction library. The Evaluator assesses reconstruction quality and records metrics to the History Manager. Context from the history informs b

実験結果

リサーチクエスチョン

• RQ1 自律的な LLM 主導システムは manual 設計を超える新規正則化戦略を Pty-Chi の再構成に対して発見できるのか。
• RQ2 意味論ガイド付きの進化操作はランダム再組み換えより効果的な正則化子を生み出すのか。
• RQ3 発見された正則化子は異なる撮像モダリティやアーティファクト型に対して頑健か。
• RQ4 完全なアルゴリズム系譜を維持することで何が機能し、なぜかに関する解釈可能な洞察を得られるのか。

主な発見

データセット	アルゴリズム	成功率	ベスト	Δ SSIM	Δ PSNR	所要時間
X 線 IC	100	83%	0.785	+0.26	+8.3 dB	16.5 時間
アポフェリチン	147	97%	0.836	+0.12	+3.2 dB	29.5 時間
マルチスライス	97	94%	0.871	+0.18	+8.0 dB	10.5 時間

• 発見された正則化子は三つのデータセット全てでベースライン LSQML 構成を大幅に上回り、SSIM の改善は最大 +0.26、PSNR は最大 +8.3 dB。
• X 線 IC で最も大きな絶対改善を示し成功率 83% を達成、格子アーティファクトの課題を浮き彫りに。
• アポフェリチンとマルチスライスデータセットは高い成功率（それぞれ 97%、94%）で強い獲得を達成。
• トップパフォーミングなマルチスライス正則化子は、Charbonnier-TV を含む4つの勾配成分、勾配排除、Gram直交性、スペクトルマスク、対比適応ウェイト付けを組み合わせ、顕著な改善を生む。
• フレームワークは完全なアルゴリズム系譜と進化メタデータを記録し、効果的な正則化戦略の解釈可能な分析を可能にする。

Figure 2 : Visual comparison of reconstructed phase images at representative iterations. Columns show a reference image, baseline reconstruction, and best discovered regularizer. For multislice and apoferritin, the reference is the simulated ground-truth phase; for X-ray IC, the reference is a long-