Google DeepMind Veröffentlicht AlphaEvolve, Löst 300 Jahre Alte Mathematische Probleme Und Findet Bessere Lösungen Für Fast 40 Mathematische Probleme
Am späten Abend des 14. Mai (Peking-Zeit) veröffentlichte Google DeepMind einen Programmier-KI-Agenten namens AlphaEvolve.Es kombiniert die leistungsstarken Codegenerierungsfunktionen großer Sprachmodelle mit automatisierten Evaluatoren.Kann Algorithmen für einige grundlegende und komplexe Probleme der Mathematik und modernen Informatik entwerfen und optimieren.
Laut offizieller Einführung hat AlphaEvolve die Effizienz der Rechenzentren, des Chipdesigns und der KI-Trainingsprozesse von Google verbessert. Es hat auch dazu beigetragen, schnellere Algorithmen zur Matrixmultiplikation zu entwickeln und neue Lösungen für einige offene mathematische Probleme zu finden, was ein großes Potenzial für eine breite Anwendung in vielen Bereichen zeigt.
Konkret verwendet AlphaEvolve mehrere der neuesten großen Modelle der Gemini-Serie.Der Arbeitsablauf umfasst das Generieren von Algorithmuscodes aus Sprachmodellen, das Überprüfen und Bewerten dieser Codes durch automatisierte Evaluatoren und schließlich das Implementieren eines Evolutionsmechanismus in der Algorithmusdatenbank, um die generierten Lösungen kontinuierlich zu optimieren.
In praktischen AnwendungenAlphaEvolve ist in der Lage, über einzelne Funktionen hinauszugehen, ganze Codebasen weiterzuentwickeln und komplexere Algorithmen zu entwickeln.Es erweitert den Umfang der Problemlösungsideen durch das Gemini Flash-Modell, während das Gemini Pro-Modell tiefe Einblicke bietet. Die beiden arbeiten zusammen, um mehrere Computerprogramme zur Kodifizierung algorithmischer Lösungen vorzuschlagen. Der Arbeitsablauf des Systems umfasst die automatische Generierung neuer Programme aus einem Sprachmodell, deren Leistung dann von einem Evaluator objektiv und quantitativ bewertet wird, wodurch der qualitativ hochwertigste und effizienteste Code ausgewählt wird.
Laut offizieller Einführung hat AlphaEvolve eine einfache, aber sehr effiziente heuristische Methode entdeckt, die Googles groß angelegtem Cluster-Management-System Borg dabei helfen soll, die riesigen Rechenzentren von Google effizienter zu planen. Die Lösung ist seit über einem Jahr im Produktionseinsatz und hat kontinuierlich durchschnittlich 0,71 TP3T an globalen Rechenressourcen wiederhergestellt.
Auch,AlphaEvolve hat außerdem eine neue Methode zum Umschreiben von Verilog vorgeschlagen, die unnötige Bits in Matrixmultiplikationsschaltungen effektiv entfernt.Diese Verbesserung wurde in die kommende Tensor Processing Unit (TPU) von Google integriert, die die Chipleistung steigern wird.
Im Hinblick auf das Modelltraining optimiert AlphaEvolve die Matrixmultiplikationsoperationen in der Gemini-Architektur.Es erhöhte seine Geschwindigkeit um 23% und verkürzte die Trainingszeit um 1%. Darüber hinaus wird die für die Kernel-Optimierung erforderliche Entwicklungszeit von Wochen auf Tage reduziert, was die Produktivität der Forscher enorm steigert.
Es ist erwähnenswert, dassAlphaEvolve zeigte auch starke Fähigkeiten bei mathematischen Problemen.Beispielsweise wurde bei der Entdeckung von Matrixmultiplikationsalgorithmen ein neuer Algorithmus gefunden, der nur 48 Skalarmultiplikationen benötigt, um eine 4×4 komplexe Matrixmultiplikation abzuschließen, was besser ist als der alte Algorithmus, der 1969 von Strassen vorgeschlagen wurde. GleichzeitigAlphaEvolve wurde auch auf mehr als 50 offene Probleme in der Mathematik angewendet.In fast 751 TP3T-Fällen wurden hochmoderne Lösungen wiederentdeckt und in 201 TP3T-Fällen wurden die besten bekannten Lösungen verbessert, beispielsweise durch eine effizientere Lösung des „Kissing Number Problems“, einem Problem, das Mathematiker seit mehr als 300 Jahren beschäftigt.
Zusammenfassend lässt sich sagen, dass AlphaEvolve ein breites Anwendungsspektrum bietet, das nicht nur auf Mathematik und Informatik beschränkt ist. Zukunft,Google plant eine Zusammenarbeit mit dem People + AI Research Team, umEntwickeln Sie eine benutzerfreundliche Oberfläche und stellen Sie sie akademischen Benutzern über das Early Access-Programm zur Verfügung. Auf lange Sicht liegt das Potenzial von AlphaEvolve darin, dass es auf jedes Problem angewendet werden kann, das durch einen Algorithmus beschrieben und automatisch überprüft werden kann. Außerdem wird erwartet, dass es in Bereichen wie Materialwissenschaft, Arzneimittelforschung und Nachhaltigkeit zu weiteren Durchbrüchen führt.