Google DeepMind har avduket Alphaevolve, en avansert AI-agent som utnytter Gemini-modellene sine for å oppdage og optimalisere komplekse algoritmer autonomt. Dette systemet er konstruert for å møte grunnleggende utfordringer i matematikk og forbedre praktiske databehandlingsapplikasjoner, noe Algoritmer ved å utvikle hele kodebaser.
Den nye AI-agenten har allerede vist betydelig virkning i den virkelige verden i Googles virksomhet. I henhold til Google DeepMind Alphaevolve-forbedret data. Det bidro også til å optimalisere maskinvaredesign for fremtidige TPU-er (Tensor-prosesseringsenheter, Googles tilpassede AI-akseleratorer) og reduserte Geminis egen AI-modelltreningstid med 1%.
utover disse interne gevinstene, sies Alphaevolve å ha en mer effektiv algorematics i teoretisk matematikk. Algoritme og fremme løsninger på åpne problemer som kyssetallproblemet.
DeepMind posisjoner Alphaevolve som et verktøy for å øke menneskelig kompetanse og akselerere vitenskapelig oppdagelse på tvers av forskjellige felt. Selskapet planlegger et tidlig tilgangsprogram for utvalgte akademiske brukere, med en Registreringsskjema Tilgjengelig for interesserte.
Disse genererte programmene gjennomgår automatisert evaluering ved bruk av metrikk som objektivt vurderer hver enkelt løsning og nøyaktighet og kvalitet. Denne verifiseringen er avgjørende, ettersom Alphaevolve er designet for problemer med”maskinraderbare”løsninger, som Google uttrykker det.
Systemet fungerer innenfor et evolusjonsramme, og lærte fra tidligere forsøk og iterativt foredlet de mest lovende konseptene, slik at den kan utvikle komplekse algoritmer ved å utvikle hele kodebasene. Imidlertid påpekte TechCrunch også en nøkkelbegrensning: Alphaevolve kan bare beskrive løsninger som algoritmer, noe som gjør den mindre egnet for ikke-numeriske problemer.
håndgripelige påvirkninger og matematiske frontiers
De praktiske anvendelsene av AlphaEvolve allerede er allerede substante. Optimaliseringen av Borg, Googles storskala klyngestyringssystem , har vært i produksjon for over et år. I maskinvare foreslo Alphaevolve en Verilog (et maskinvarebeskrivelsesspråk) omskriving for en nøkkel aritmetisk krets, en endring integrert i en kommende TPU.
for AI-utvikling, den fremsto for en viktig programvare-komponent, eller Kernel, i Gemini’s arkitektur av 23% og optimalisert. Selskapet har publisert en detaljert
I ren matematikk designet Alphaevolve deler av en ny gradientbasert optimaliseringsprosedyre, noe som fører til nye algoritmer for matriksmultiplikasjon. Forbedringen av Strassens algoritme fra 1969 for 4 × 4 kompleks-verdsatte matriser, ved bruk av 48 skalære multiplikasjon for kyssnummerproblemet. Disse matematiske resultatene er tilgjengelige i en
DeepMinds egen tidligere forskning erkjente at”inntil modellhastigheten er forbedret og hallusinasjoner er fullstendig løst, verktøy som symboliske motorer vil forbli essensielle for matematikkapplikasjoner.”
Disse genererte programmene gjennomgår automatisert evaluering ved bruk av metrikk som objektivt vurderer hver enkelt løsning og nøyaktighet og kvalitet. Denne verifiseringen er avgjørende, ettersom Alphaevolve er designet for problemer med”maskinraderbare”løsninger, som Google uttrykker det.
Systemet fungerer innenfor et evolusjonsramme, og lærte fra tidligere forsøk og iterativt foredlet de mest lovende konseptene, slik at den kan utvikle komplekse algoritmer ved å utvikle hele kodebasene. Imidlertid påpekte TechCrunch også en nøkkelbegrensning: Alphaevolve kan bare beskrive løsninger som algoritmer, noe som gjør den mindre egnet for ikke-numeriske problemer.
håndgripelige påvirkninger og matematiske frontiers
De praktiske anvendelsene av AlphaEvolve allerede er allerede substante. Optimaliseringen av Borg, Googles storskala klyngestyringssystem , har vært i produksjon for over et år. I maskinvare foreslo Alphaevolve en Verilog (et maskinvarebeskrivelsesspråk) omskriving for en nøkkel aritmetisk krets, en endring integrert i en kommende TPU.
for AI-utvikling, den fremsto for en viktig programvare-komponent, eller Kernel, i Gemini’s arkitektur av 23% og optimalisert. Selskapet har publisert en detaljert
I ren matematikk designet Alphaevolve deler av en ny gradientbasert optimaliseringsprosedyre, noe som fører til nye algoritmer for matriksmultiplikasjon. Forbedringen av Strassens algoritme fra 1969 for 4 × 4 kompleks-verdsatte matriser, ved bruk av 48 skalære multiplikasjon for kyssnummerproblemet. Disse matematiske resultatene er tilgjengelige i en
DeepMinds egen tidligere forskning erkjente at”inntil modellhastigheten er forbedret og hallusinasjoner er fullstendig løst, verktøy som symboliske motorer vil forbli essensielle for matematikkapplikasjoner.”