一种新型GPU原生并行优化算法χ-sao（Convergence-Halt-Invert-Stick-And-Oscillate）近日由研究人员提出，旨在高效解决多模态黑箱函数的所有模态查找问题。该算法通过独特的收敛-反收敛振荡机制，在冻结已确认模态的同时使其他样本继续探索，从而有效逃离局部陷阱。与传统方法如盆地跳跃、CMA-ES和多重启动梯度下降不同，这些传统方法均顺序运行，无法充分利用现代GPU的大规模并行性。χ-sao则设计为同时运行整个样本批次，并采用不对称的结构性移动：到达真实峰值的样本被“冻结”并保留，而其余样本则通过基于动量的反收敛和随机平滑梯度继续探索。此外，两种互补的自适应重采样策略——Repulse Monkey和Golden Rooster——维持了群体的多样性，确保了算法在高维空间中的搜索能力。
在Simon Fraser大学优化基准套件的42个函数上，χ-sao在维度d∈{2,4,8,16,32,64}上进行了全面测试。结果令人瞩目：在最难的多模态函数上，当d≥8时，所有CPU基线均告失败，而χ-sao实现了100%的模态恢复。在所有方法都成功的函数上，χ-sao在Michalewicz d=64上相比盆地跳跃取得了高达34倍的加速；在单模态函数Rotated Hyper-Ellipsoid d=64上，加速比达到39倍（纯GPU红利）。需要指出的是，所有基准测试仅通过函数值评估目标（梯度通过有限差分计算），因此报告的加速比是无导数情况下的最坏情况。
χ-sao还展现出强大的噪声鲁棒性：在似然噪声σ_noise高达1.0时，模态检测仍保持100%可靠。该算法的关键创新在于其收敛-反收敛振荡循环，它使算法能够在确认模态的同时继续探索未搜索区域，从而避免陷入局部最优。这种机制在群体优化中具有普适性，可应用于许多需要多模态发现的领域，如贝叶斯推断、科学计算和机器学习超参数调优。目前，该算法已作为独立开源Python包发布在PyPI上，供研究者和开发者使用，并附有详细文档和示例。