Rekor lintas bidang DeepMind AlphaEvolve: perkalian matriks 4×4 memperbarui rekor Strassen 1969, pelatihan Gemini lebih cepat 1%

Google DeepMind pada 7 Mei (waktu AS) merilis laporan pencapaian lintas bidang AlphaEvolve. Blog resmi DeepMind merangkum kemajuan spesifik AlphaEvolve sejak diluncurkan: menemukan metode perkalian matriks kompleks 4×4 yang lebih baik daripada algoritma Strassen 1969 (48 kali perkalian skalar murni), bekerja sama dengan matematikawan seperti Terence Tao untuk menyelesaikan beberapa masalah matematika terbuka Erdős, menghemat 0,7% sumber daya komputasi global untuk pusat data Google, meningkatkan kecepatan kernel kunci yang dilatih untuk Gemini sebesar 23%, dan menurunkan total waktu pelatihan Gemini sebesar 1%.

Arsitektur: Agent evolusioner dengan Gemini Flash untuk eksplorasi lebar + Gemini Pro untuk evaluasi mendalam

AlphaEvolve adalah Agent pengkodean evolusioner yang dirancang untuk penemuan algoritma umum dan optimisasi:

Gemini Flash—memaksimalkan keluasan ide eksplorasi

Gemini Pro—memberikan saran kritis yang mendalam

Evaluator otomatis—memverifikasi setiap jawaban kandidat, dan memberikan umpan balik

Kerangka evolusioner—beriterasi berkelanjutan berdasarkan umpan balik evaluasi, serta mempertahankan solusi paling menjanjikan

Struktur ini memungkinkan AlphaEvolve terus menghasilkan dan menguji solusi untuk masalah terbuka tanpa arahan awal manusia, cocok untuk bidang yang “jawabannya bisa diverifikasi secara otomatis” (algoritma, matematika, dan masalah optimisasi).

Pencapaian matematika: perkalian matriks 4×4 memecahkan rekor 1969, serta bekerja sama dengan Terence Tao untuk memecahkan masalah Erdős

AlphaEvolve mencatat kemajuan konkret di matematika dan ilmu komputer:

Perkalian matriks nilai kompleks 4×4: menemukan algoritma yang hanya memerlukan 48 kali perkalian skalar murni, mengungguli hasil terbaik yang diajukan Strassen 1969

Bekerja sama dengan matematikawan ternama seperti Terence Tao untuk menyelesaikan beberapa masalah terbuka Erdős

Algoritma Strassen adalah salah satu solusi terbaik jangka panjang untuk kompleksitas komputasi perkalian matriks; dalam kasus ini, AlphaEvolve mematahkan rekor puluhan tahun, menjadi contoh nyata “AI Agent yang menemukan solusi baru di batas matematika”.

Pencapaian infrastruktur: pusat data Google hemat energi, dan kesalahan rangkaian kuantum turun 10×

AlphaEvolve dalam penerapan di sistem milik Google:

Pusat data: menemukan metode penjadwalan tugas yang lebih baik, dengan rata-rata menghasilkan kembali 0,7% sumber daya komputasi global

Pelatihan Gemini: kecepatan kernel kunci meningkat 23%, dan total waktu pelatihan menurun 1%

Fisika kuantum: pada prosesor kuantum Google Willow, kesalahan rangkaian kuantum yang dirancang AlphaEvolve lebih rendah 10 kali dibanding baseline optimisasi terbaik tradisional, sehingga simulasi molekul kompleks dapat dijalankan di Willow

Optimisasi jaringan listrik: meningkatkan proporsi solusi layak model graph neural network (GNN) untuk masalah AC Optimal Power Flow dari 14% menjadi lebih dari 88%

Ilmu Bumi: mengotomatisasi model optimisasi Earth AI, serta meningkatkan akurasi prediksi risiko bencana alam sebesar 5%

Peristiwa spesifik yang bisa ditelusuri selanjutnya: apakah AlphaEvolve akan membuka akses dari alat internal Google untuk peneliti eksternal, terobosan lanjutan atas rangkaian masalah Erdős, dan progres komersialisasi AlphaEvolve di Google Cloud (DeepMind telah mengisyaratkan integrasi terkait di blog Google Cloud).

Artikel “DeepMind AlphaEvolve melintasi bidang” ini: perkalian matriks 4×4 memecahkan rekor Strassen 1969, pelatihan Gemini lebih cepat 1% pertama kali muncul di 鏈新聞 ABMedia.