DeepMind AlphaEvolve міждисциплінарні досягнення: 4×4 матричне множення оновило рекорд Strassen 1969, тренування Gemini прискорилося на 1%

7 травня (за часом США) Google DeepMind опублікувала звіт про міждисциплінарні досягнення AlphaEvolve. Офіційний блог DeepMind підсумував конкретний прогрес AlphaEvolve з моменту його запуску: знайдено спосіб для множення 4×4 комплексних матриць, який кращий за алгоритм Страссена 1969 року (48 разів чистих скалярних множень), виконано спільну роботу з математиком Теренсом Тао та іншими дослідниками для розв’язання кількох математичних складних задач Ердіша (Ердős), оптимізовано роботу дата-центрів Google, що дало змогу заощадити 0,7% глобальних обчислювальних ресурсів, прискорено ключові kernel’и, задіяні в тренуванні Gemini, на 23%, а загальний час тренування Gemini зменшено на 1%.

Архітектура: еволюційний Agent із широтою пошуку Gemini Flash + глибиною оцінювання Gemini Pro

AlphaEvolve — це еволюційний агент для кодування, призначений для пошуку універсальних алгоритмів і оптимізації:

Gemini Flash — максимізація ширини ідей для дослідження

Gemini Pro — надання глибоких критичних рекомендацій

Автоматичний оцінювач — верифікація кожної кандидатної відповіді та надання зворотного зв’язку

Еволюційна рамка — постійна ітерація на основі відгуків оцінювання з збереженням найперспективніших рішень

Ця структура дозволяє AlphaEvolve без попередніх підказок від людей безперервно генерувати й тестувати розв’язання для відкритих задач, особливо для доменів, де «відповідь можна автоматично верифікувати» (алгоритми, математика, задачі оптимізації).

Математичні результати: оновлення рекорду для множення 4×4 матриць і перехід за межі 1969 року, а також розв’язання задач Ердіша разом із Теренсом Тао

AlphaEvolve досягла конкретного прогресу в математиці та комп’ютерних науках:

Множення 4×4 комплексних матриць: знайдено алгоритм, що потребує лише 48 разів чистих скалярних множень, і який перевершує найкращий результат, запропонований Страссеном у 1969 році

Співпраця з Теренсом Тао та іншими відомими математиками — спільне розв’язання кількох відкритих задач Ердіша (Ердős)

Алгоритм Страссена є одним із ключових довгострокових найкращих рішень для складності обчислень множення матриць; у цій задачі AlphaEvolve зламала рекорд, що тримався десятиліттями, — це конкретний приклад того, як «AI Agent знаходить нові розв’язання на математичній межі».

Досягнення в інфраструктурі: енергозбереження в дата-центрах Google та зниження похибки в квантових схемах у 10×

AlphaEvolve застосовували у власних системах Google:

Дата-центри: знайдено кращі методи планування задач, у середньому відновлення 0,7% глобальних обчислювальних ресурсів

Тренування Gemini: швидкість ключових kernel’ів зросла на 23%, а загальний час тренування зменшився на 1%

Квантова фізика: на квантовому процесорі Google Willow AlphaEvolve розробила квантову схему з похибкою, що в 10 разів нижча за традиційну найкращу оптимізаційну базову лінію, — завдяки цьому складне моделювання молекул можна виконувати на Willow

Оптимізація електромереж: частка здійсненних розв’язків задачі AC Optimal Power Flow із використанням моделей графових нейромереж (GNN) зросла з 14% до понад 88%

Геонауки: автоматизація моделі оптимізації Earth AI, а точність прогнозування ризиків природних катастроф підвищилася на 5%

Події, які можна буде відстежити надалі: чи AlphaEvolve згодом буде відкрито для зовнішніх дослідників як внутрішній інструмент Google, подальші прориви в серії задач Ердіша та прогрес комерціалізації AlphaEvolve в Google Cloud (DeepMind уже анонсувала відповідні інтеграції в дописі в блозі Google Cloud).

Ця стаття DeepMind про міждисциплінарні успіхи AlphaEvolve: множення 4×4 матриць оновлює рекорд Strassen 1969, а тренування Gemini пришвидшено на 1% вперше з’явилася в Cтілi новин ABMedia.