أطلقت شركة Google DeepMind برنامج AlphaEvolve، الذي يحل مسائل رياضية عمرها 300 عام ويجد حلولاً أفضل لما يقرب من 40 مسألة رياضية

في وقت متأخر من ليلة 14 مايو بتوقيت بكين، أصدرت شركة Google DeepMind وكيل الذكاء الاصطناعي البرمجي المسمى AlphaEvolve.إنه يجمع بين قدرات توليد التعليمات البرمجية القوية لنماذج اللغة الكبيرة مع المُقيِّمين الآليين.القدرة على تصميم وتحسين الخوارزميات لبعض المشاكل الأساسية والمعقدة في الرياضيات والحوسبة الحديثة.

وفقًا للإعلان الرسمي، قام AlphaEvolve بتحسين كفاءة مراكز بيانات Google وتصميم الشريحة وعمليات تدريب الذكاء الاصطناعي. وقد ساعد أيضًا في تصميم خوارزميات أسرع لضرب المصفوفات وإيجاد حلول جديدة لبعض المشاكل الرياضية المفتوحة، مما يظهر إمكانات كبيرة للتطبيق الواسع في مجالات متعددة.

على وجه التحديد، يستخدم AlphaEvolve العديد من أحدث النماذج الكبيرة في سلسلة Gemini.يتضمن سير العمل الخاص به إنشاء أكواد خوارزمية من نماذج اللغة، والتحقق من هذه الرموز وتسجيلها من خلال المقيمين الآليين، وأخيرًا تنفيذ آلية تطورية في قاعدة بيانات الخوارزمية لتحسين الحلول المولدة بشكل مستمر.

في التطبيقات العملية،AlphaEvolve قادر على تجاوز الوظائف الفردية وتطوير قواعد التعليمات البرمجية بالكامل وتطوير خوارزميات أكثر تعقيدًا.ويعمل على توسيع نطاق أفكار حل المشكلات من خلال نموذج Gemini Flash، في حين يوفر نموذج Gemini Pro رؤى متعمقة. يعمل الاثنان معًا لاقتراح برامج كمبيوتر متعددة لتدوين الحلول الخوارزمية. يتضمن سير عمل النظام إنشاء برامج جديدة تلقائيًا من نموذج لغوي، ويتم بعد ذلك تقييم أدائها بشكل موضوعي وكمي بواسطة مُقيِّم، وبالتالي اختيار الكود الأعلى جودة والأكثر كفاءة.

وفقًا للتقديم الرسمي، اكتشف AlphaEvolve طريقة استدلالية بسيطة ولكنها فعالة للغاية لمساعدة نظام إدارة المجموعة واسعة النطاق Borg التابع لشركة Google في جدولة مراكز البيانات الضخمة التابعة لشركة Google بكفاءة أكبر. تم استخدام الحل في الإنتاج لأكثر من عام، وقد نجح بشكل ثابت في استعادة متوسط 0.7% من موارد الحوسبة العالمية.

أيضًا،كما اقترح AlphaEvolve طريقة جديدة لإعادة كتابة Verilog تعمل بشكل فعال على إزالة البتات غير الضرورية في دوائر ضرب المصفوفات.تم دمج هذا التحسين في وحدة معالجة Tensor (TPU) القادمة من Google، والتي ستعزز أداء الشريحة.

من حيث تدريب النموذج، يقوم AlphaEvolve بتحسين عمليات ضرب المصفوفة في بنية Gemini.تم زيادة سرعته بمقدار 23% وتقصير وقت التدريب بمقدار 1%. علاوة على ذلك، فهو يقلل بشكل كبير من وقت الهندسة المطلوب لتحسين النواة من أسابيع إلى أيام، مما يحسن إنتاجية الباحثين بشكل كبير.

ومن الجدير بالذكر أنوأظهر AlphaEvolve أيضًا قدرات قوية في حل المشكلات الرياضية.على سبيل المثال، في اكتشاف خوارزميات ضرب المصفوفات، تم العثور على خوارزمية جديدة تتطلب فقط 48 عملية ضرب قياسية لإكمال عملية ضرب مصفوفة مركبة 4×4، وهو ما يعتبر أفضل من الخوارزمية القديمة التي اقترحها ستراسن في عام 1969. في نفس الوقت،تم تطبيق AlphaEvolve أيضًا على أكثر من 50 مشكلة مفتوحة في الرياضيات.وفي ما يقرب من 751 حالة من حالات TP3T، أعادت اكتشاف حلول متطورة، وفي 201 حالة من حالات TP3T، قامت بتحسين أفضل الحلول المعروفة، مثل تحسين كفاءة حل "مشكلة الأرقام المتقاربة"، وهي مشكلة أزعجت علماء الرياضيات لأكثر من 300 عام.

باختصار، يتمتع AlphaEvolve بمجموعة واسعة من التطبيقات، ولا يقتصر فقط على الرياضيات والحوسبة. مستقبل،تخطط Google للعمل مع فريق People + AI Research لـتطوير واجهة سهلة الاستخدام وجعلها متاحة للمستخدمين الأكاديميين من خلال برنامج الوصول المبكر. وعلى المدى الطويل، تكمن إمكانات AlphaEvolve في إمكانية تطبيقها على أي مشكلة يمكن وصفها والتحقق منها تلقائيًا بواسطة خوارزمية، ومن المتوقع أن تحقق المزيد من الاختراقات في مجالات مثل علم المواد، واكتشاف الأدوية، والاستدامة.