A Google DeepMind bemutatta az AlphaEvolve-t, egy fejlett AI-ügynököt, amely kihasználja a Gemini modelljeit a komplex algoritmusok autonóm felfedezésére és optimalizálására. Ezt a rendszert úgy tervezték, hogy a matematika alapvető kihívásaival és a gyakorlati számítástechnikai alkalmazások javításával foglalkozzon, jelezve az AI-vezérelt tudományos feltárás jelentős előrelépését. Finomítja az algoritmusokat a teljes kódbázis kidolgozásával. A Google mélységének megfelelően a Google Worldwide. Ez hozzájárult ahhoz is, hogy optimalizálja a hardver kialakítását a jövőbeli TPU-khoz (Tensor feldolgozó egységek, a Google egyedi AI gyorsítói) és a Gemini saját AI modell edzési idejét 1%-kal. A Strassen algoritmusa és a nyitott problémák előmozdító megoldásai, mint például a csókolószám probléma. A vállalat korai hozzáférési programot tervez a kiválasztott tudományos felhasználók számára, regisztrációs űrlap Elérhető az érdekelt felek számára. Többlépcsős folyamat az algoritmikus tervezéshez. Használja a Google Ikrek modelljeinek együttesét: A Faster Gemini Flash a potenciális ötletek széles skáláját vizsgálja, míg a erősebb Ikrek Pro mély, áttekinthető javaslatokat nyújt a számítógépes programokhoz, amelyek ezeket az algoritmikus megoldásokat hajtják végre. Ez az ellenőrzés döntő jelentőségű, mivel az AlphaEvolve-t úgy tervezték, hogy a „gép által biztosítható” megoldásokkal kapcsolatos problémákkal szolgáljon, amint azt a Google állítja. A TechCrunch azonban a kulcsfontosságú korlátozásra is rámutatott: Az AlphaEvolve csak a megoldásokat algoritmusokként írhatja le, így kevésbé alkalmas a nem numerikus problémákra. A borg, a Google nagyméretű klaszterkezelő rendszerének , a Google nagyméretű klaszterkezelő rendszerének optimalizálása, több mint egy éve. A hardverben az AlphaEvolve Verilog (hardverleírás-nyelvet) javasolt egy kulcsfontosságú aritmetikai áramkör átírására, amely a közelgő TPU-ba integrált változás. A társaság közzétette egy részletes “> _ byúk. Alphaevolve.
A tiszta matematikában az Alphaevolve új gradiens-alapú optimalizálási eljárás részét tervezte, amely új algoritmusokhoz vezet a mátrix szorzáshoz. A Strasen 1969. évi algoritmusának javítása a 4 × 4 komplex értékű mátrixokhoz, 48 skaláris szorzás felhasználásával, meghaladja a DeepMind korábbi speciális rendszerét, az Alphatensor-t. probléma. Ezek a matematikai eredmények a google colab notebook . Ai Landscape fejlesztése
Az alphaevolve folytatja a DeepMind munkáját az AI alkalmazásában a tudományos és matematikai felfedezésre, az ALPAGEOMETRY2 olyan projektek után, amelyek sikereket mutattak a nemzetközi matematikai olimpia problémáinak megoldásában, és az AI Co-tudományos kezdeményezés a kutatási hipothes-ek. Az evolúciós kódoló szer, amelyet nagy nyelvű modellek hajtanak végre az általános célú algoritmus felfedezéséhez és optimalizálásához.”A DeepMind úgy véli, hogy átalakító lehet olyan területeken, mint az anyagtudomány és a kábítószer-felfedezés.
A rendszer azonban nem korlátozások nélkül. Miközben a DeepMind kiemeli sikereit, a TechCrunch megfigyelte, hogy néhány javulást korábban más eszközök azonosítottak, ami azt sugallja, hogy az AlphaEvolve jelenleg egy bizonyos esetekben gyorsabban és finomítóként működik. Kevin Bankston, a Demokrácia és Technológiai Központ leírt Bemutató. Pro, mint „csekély”.
