Google DeepMind heeft Alphaevolve onthuld, een geavanceerde AI-agent die zijn Gemini-modellen gebruikt om complexe algoritmen autonoom te ontdekken en te optimaliseren. Dit systeem is ontworpen om fundamentele uitdagingen in de wiskunde aan te gaan en praktische computertoepassingen te verbeteren, wat een opmerkelijke vooruitgang betekent in AI-gedreven wetenschappelijke verkenning.
Alphaevolve’s kerninnovatie is de methodologie, die de creatieve code-generatie combineert van Gemini Pro voor Gemini Pro voor Gemini Pro For Depth en Gemin To Breadth To Binnen Een EVOIN-systeem Framework dat algoritmen verfijnt door hele codebases te evolueren.
De nieuwe AI-agent heeft al een aanzienlijke impact in de praktijk aangetoond binnen de activiteiten van Google. Volgens Google DeepMind Alpha> Alpha> Alpha> Alphaevolve Impromed Data Center Imported Data Center Imported Data Center Recovering een gemiddelde van 0,7% van de Google’s World Worde Resources. Het heeft ook bijgedragen aan het optimaliseren van het hardware-ontwerp voor toekomstige TPU’s (Tensor Processing Units, Google’s Custom AI Accelerators) en verkorte Gemini’s eigen AI-modeltrainingstijd met 1%.
buiten deze interne winst, is alfaevolve een breakhroughtic-MERIX MATHEMATICS, Devalend Afficient Algorithm For 4 × 4 Complexe Mathematics, Devising Afficient Algorithm For 4 × 4 Complexe Mathematics, Devising Afficient Algorithm For 4 × 4 Complexe Mathematics, Devisioning Afficient Algorithm For 4 × 4 Complexe Mathemathm, Devising Accomple Mathemathm For 40 Complexe Mathemathm. Het algoritme van Strassen en het opzetten van oplossingen voor langdurige Strassen om problemen te openen, zoals het probleem van het kussen van het kussen.
Deepmind positioneert Alphaevolve als een hulpmiddel om menselijke expertise te vergroten en de wetenschappelijke ontdekking op verschillende gebieden te versnellen op verschillende gebieden. Het bedrijf plant een vroeg toegangsprogramma voor geselecteerde academische gebruikers, met een registratieformulier Beschikbaar voor geïnteresseerde partijen.
hoe alfha illeve argorithmen maakt gebruik van een multi-fase proces voor algoritmisch ontwerp. Het maakt gebruik van een ensemble van de Gemini-modellen van Google: de snellere Gemini Flash onderzoekt een breed scala aan potentiële ideeën, terwijl de krachtigere Gemini Pro diepe, inzichtelijke suggesties biedt voor computerprogramma’s die deze algoritmische oplossingen implementeren. Deze verificatie is cruciaal, omdat Alphaevolve is ontworpen voor problemen met”machinegeweerbare”oplossingen, zoals Google het zegt.
Het systeem werkt binnen een evolutionair kader, leren van pogingen uit het verleden en het iteratief verfijnen van de meest veelbelovende concepten, waardoor het complexe algoritmen kan ontwikkelen door volledige codebases te ontwikkelen. TechCrunch wees echter ook op een belangrijke beperking: Alphaevolve kan alleen oplossingen als algoritmen beschrijven, waardoor het minder geschikt is voor niet-numerieke problemen.
tastbare effecten en wiskundige grenzen
De praktische applicaties van Alphaevolve in Google zijn al substantieel. De optimalisatie van borg, het grootschalige clusterbeheersysteem van Google, is al meer dan een jaar in productie. In Hardware stelde Alphaevolve een Verilog (een Hardware Description Language) voor om een belangrijk rekencircuit te herschrijven, een wijziging die is geïntegreerd in een aankomende TPU.
Voor AI-ontwikkeling heeft het een vitale softwarecomponent of kern, in Gemini’s architectuur met 23% en geoptimaliseerde lage-nivea-instructies voor de flashattention-kernel opgehaald, in Gemini’s architectuur met 23%. Het bedrijf heeft een gedetailleerde
In pure wiskunde ontwierp Alphaevolve delen van een nieuwe op gradiënt gebaseerde optimalisatieprocedure, wat leidt tot nieuwe algoritmen voor matrixvermenigvuldiging. Its improvement on Strassen’s 1969 algorithm for 4×4 complex-valued matrices, using 48 scalar multiplications, surpasses DeepMind’s previous specialized system, AlphaTensor, in this specific area.
When applied to over 50 open mathematical problems, AlphaEvolve rediscovered state-of-the-art solutions in about 75% of cases and improved known solutions in 20%, including for the Kust nummerprobleem. Deze wiskundige resultaten zijn beschikbaar in een google”google”> google colab notebook . Landschap
Alphaevolve vervolgt het werk van DeepMind bij het toepassen van AI op wetenschappelijke en wiskundige ontdekking, volgens projecten zoals alphageometrie2, die succes toonden bij het oplossen van internationale wiskundige Olympiade-problemen, en de AI co-wetenschapsinitiatief voor het genereren van onderzoekshypothes. Codeeragent aangedreven door grote taalmodellen voor algoritme-ontdekking en optimalisatie van algemene algoritme.”DeepMind gelooft dat het transformerend kan zijn op gebieden zoals materiaalwetenschappen en drugsontdekking.
Het systeem is echter niet zonder beperkingen. Hoewel DeepMind de successen ervan benadrukt, merkte TechCrunch op dat sommige verbeteringen eerder door andere tools werden geïdentificeerd, wat suggereert dat Alphaevolve momenteel meer als een versneller en raffinaderij in sommige gevallen fungeert. Kevin Bankston van het Centre for Democracy and Technology
het eigen eerdere onderzoek van DeepMind erkende dat”totdat de modelsnelheid is verbeterd en hallucinaties volledig zijn opgelost, gereedschappen zoals symbolische motoren essentieel blijven voor wiskundetoepassingen.”