Una popolazione più ampia di reti neurali richiede normalmente più copie dei pesi. Le modifiche EvoX del 7–8 luglio 2026 seguono un’altra strada: VirtualES conserva un centro di parametri condiviso e un seme casuale per candidato, ricostruendo le differenze durante la valutazione. Quanta diversità di ricerca può trovare spazio prima che i parametri esauriscano la memoria?
Illustrazione concettuale: un centro condiviso, molti candidati ricostruibili.
Memorizzare la ricetta del candidato
Per P candidati con D parametri ciascuno, la memoria esplicita cresce come P × D. La rappresentazione con centro e semi usa circa D + P elementi. Il confronto riguarda i parametri della popolazione; attivazioni, stato dell’ottimizzatore e buffer di valutazione contribuiscono comunque al totale. Implementazione di VirtualES
VirtualES passa (center, seeds, sigma) al workflow. VirtualProblem valuta ogni strato con un’operazione Triton fusa che combina il calcolo lineare di base con perturbazioni dei pesi e dei bias generate dai semi. La fitness guida poi l’aggiornamento del centro. Le perturbazioni gaussiane complete sostituiscono la precedente formulazione LoRA a basso rango. Implementazione della valutazione
Mantenere distinto il feedback di ogni candidato
Il punto di partenza supportato è una rete nn.Sequential con strati lineari e attivazioni documentate. Imposti la funzione di perdita su reduction='none': VirtualProblem potrà aggregare separatamente le perdite dei candidati. Una perdita scalare verrebbe estesa a tutta la popolazione, cancellando la distinzione. Questa piccola scelta d’interfaccia incide sulla ricerca.
Il percorso virtuale salta la valutazione distribuita e le trasformazioni delle soluzioni; VirtualProblem esclude anche il wrapper HPO. Verifichi questi confini prima di adattare un esperimento. Integrazione nel workflow
Misurare le possibilità della rappresentazione
Parta da una rete supportata e vari la popolazione, registrando picco di memoria, tempo di valutazione e fitness con un budget di valutazione fisso. Potrà distinguere il risparmio di memoria dal costo di rigenerare il rumore e trattare le attivazioni. Le modifiche di luglio includono una correzione di compilazione Triton per la funzione ausiliaria del rumore.
La guida iniziale introduce la struttura degli esperimenti EvoX. VirtualES permette poi di verificare una domanda concreta: come cambia l’esperimento con una popolazione maggiore, quando memorizzare tutti i pesi non è più un prerequisito?