该研究探讨了大型语言模型（LLMs）在零样本优化中的能力，提出了一种基于语言模型的进化优化方法（LEO）。研究表明，LLMs在超参数优化方面优于传统方法，并讨论了其应用中的伦理问题和局限性。论文展望了未来研究方向，强调了LLMs在科学研究中的潜力与挑战。

该文综述神经架构搜索与进化优化研究，涵盖：利用局部最优网络分析适应度景观；通过形态创新保护协同优化机器人结构与控制；采用MECE使强化学习智能体适应环境；LEMONADE实现低耗多目标搜索；STN分析MOEA动态；表观遗传改进MOEA/D-DE；DERL演化形态；LLM设计MOEA算子；MoreMNAS结合EA与RL提升超分辨性能。

该文介绍了一种基于进化优化的逆合成路线规划方法，相比于蒙特卡罗树搜索算法，可以显著减少单步模型调用数量的平均值53.9％，搜索三个解所需的时间平均减少了83.9％，可行搜索路径数量增加了5倍。

本研究利用元表面技术对薄膜光学进行灵活操控，提出了适用于天文高对比度成像的两种旋涡相位面具。通过计算智能技术进行优化，引入数据高效的进化优化设置，利用深度神经网络作为替代模型，通过粒子群进化优化方案操作光子器件的几何参数。该方法有效地减少了传统优化技术所需的模拟次数。