Autonomous Algorithm Discovery for Ptychography via Evolutionary LLM Reasoning

📄 arXiv: 2603.05696v1 📥 PDF

作者: Xiangyu Yin, Ming Du, Junjing Deng, Zhi Yang, Yimo Han, Yi Jiang

分类: cs.CE, cs.AI, cs.CL, math.NA

发布日期: 2026-03-05

💡 一句话要点

Ptychi-Evolve：利用进化LLM推理实现叠层衍射成像的自主算法发现

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 叠层衍射成像 正则化算法 大型语言模型 进化算法 自主算法发现

📋 核心要点

  1. 传统叠层衍射成像依赖手动设计的正则化函数，耗时且效果受限，难以适应复杂成像条件。
  2. Ptychi-Evolve利用LLM自主生成和进化正则化算法，结合语义引导的交叉变异，提升算法探索效率。
  3. 实验表明，该方法在多个数据集上显著优于传统重建，SSIM提升高达0.26，PSNR提升高达8.3dB。

📝 摘要（中文）

叠层衍射成像（Ptychography）是一种广泛应用于高分辨率材料表征的计算成像技术，但高质量重建通常需要手动设计的正则化函数。本文提出了一种名为Ptychi-Evolve的自主框架，该框架利用大型语言模型（LLM）来发现和进化新的正则化算法。该框架结合了LLM驱动的代码生成与进化机制，包括语义引导的交叉和变异。在三个具有挑战性的数据集（X射线集成电路、载铁蛋白的低剂量电子显微镜和具有串扰伪影的多层切片成像）上的实验表明，所发现的正则化器优于传统的重建方法，实现了高达+0.26 SSIM和+8.3 dB PSNR的改进。此外，Ptychi-Evolve记录了算法的谱系和进化元数据，从而能够对发现的正则化器进行可解释和可重复的分析。

🔬 方法详解

问题定义：叠层衍射成像（Ptychography）是一种高分辨率成像技术，但其重建质量严重依赖于正则化函数。传统方法中，这些正则化函数通常需要人工设计，过程繁琐且依赖专家经验，难以找到最优解，并且难以适应不同类型的成像数据和伪影。因此，如何自动发现和优化正则化算法是叠层衍射成像领域的一个关键问题。

核心思路：Ptychi-Evolve的核心思路是利用大型语言模型（LLM）的代码生成能力，结合进化算法的搜索能力，自动探索和优化正则化算法。通过LLM生成候选的正则化算法代码，然后利用进化算法进行选择、交叉和变异，逐步提升算法的性能。这种方法将人工设计正则化函数的过程自动化，并能够探索更广泛的算法空间。

技术框架：Ptychi-Evolve框架主要包含以下几个模块：1) LLM驱动的代码生成器：利用LLM生成初始的正则化算法代码。2) 进化算法引擎：包括选择、交叉和变异等操作，用于优化正则化算法。其中，交叉操作采用语义引导的方式，保证生成的代码具有一定的合理性。3) 评估模块：用于评估生成的正则化算法在特定数据集上的性能。4) 算法谱系记录模块：记录算法的进化过程和元数据，方便后续分析和理解。

关键创新：该论文的关键创新在于将大型语言模型（LLM）与进化算法相结合，用于自动发现和优化叠层衍射成像的正则化算法。与传统的手动设计方法相比，该方法能够自动探索更广泛的算法空间，并发现性能更优的正则化算法。此外，语义引导的交叉操作和算法谱系记录模块也为算法的进化过程提供了更好的可解释性。

关键设计：在LLM驱动的代码生成器中，需要设计合适的prompt，引导LLM生成有效的正则化算法代码。在进化算法中，需要选择合适的选择策略、交叉算子和变异算子，以保证算法的收敛性和多样性。此外，评估模块需要设计合适的评价指标，以准确评估正则化算法的性能。语义引导的交叉操作需要对代码进行语义分析，保证交叉后的代码具有一定的合理性。算法谱系记录模块需要记录算法的进化过程和元数据，方便后续分析和理解。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Ptychi-Evolve在X射线集成电路、低剂量电子显微镜和多层切片成像等三个具有挑战性的数据集上，均取得了显著的性能提升。与传统的重建方法相比，Ptychi-Evolve发现的正则化器实现了高达+0.26 SSIM和+8.3 dB PSNR的改进，证明了该方法的有效性和优越性。

🎯 应用场景

Ptychi-Evolve具有广泛的应用前景，可应用于X射线成像、电子显微镜、光学成像等领域，尤其是在需要高分辨率和高质量重建的场景下。该方法能够自动发现和优化正则化算法，降低了对专家经验的依赖，提高了成像效率和质量。未来，该方法有望应用于新材料研发、生物医学成像等领域，推动相关领域的发展。

📄 摘要（原文）

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.