大型語言模型 (LLMs) 展現了卓越的適應性，在總結文件、生成程式碼，以及集思廣益創新概念等任務中表現出色。現在，這些能力正被擴展到解決數學和現代運算中的複雜問題。
隆重推出 AlphaEvolve，這是一個由 LLM 驅動的演化編碼代理，專為演算法發現和優化而設計。AlphaEvolve 結合了我們的 Gemini 模型所具備的創造性問題解決能力，以及自動評估器，用於驗證所提出解決方案的健全性。然後，它使用一個演化框架來改進最有希望的方面。
AlphaEvolve 已經改進了 Google 的資料中心、晶片設計和 AI 訓練，包括支援它的 LLM 的訓練。它還幫助設計了更快的矩陣乘法演算法，並發現了數學問題的新解決方案，展示了在多個領域的應用潛力。
利用 LLM 實現更好的演算法設計
2023 年的研究表明，LLM 能夠生成電腦程式碼，進而發現科學問題的新證明。AlphaEvolve 在此基礎上進行擴展，能夠演化整個程式碼庫，以開發更複雜的演算法。
AlphaEvolve 使用多個 LLM。Gemini Flash 用於最大化探索的想法數量。Gemini Pro 則可以提供更具洞察力的建議。這些模型共同提出電腦程式，這些程式實作了演算法解決方案作為程式碼。
AlphaEvolve 使用自動評估指標來驗證、執行和評分所提出的程式。這些指標提供了對每個解決方案的準確性和品質的客觀、可量化的評估。這使得 AlphaEvolve 在可以清楚且系統地衡量進展的領域中特別有幫助，例如在數學和運算中。
優化運算生態系統
過去一年，AlphaEvolve 發現的演算法已在 Google 的各種系統中部署。每個算法的影響都會在 AI 和運算基礎架構中倍增，從而為所有使用者建立一個更強大和永續的數位生態系統。
具體來說，AlphaEvolve 已被用於：
改善資料中心排程
AlphaEvolve 發現了一種啟發法，可以更有效地協調 Google 的資料中心。此解決方案已部署一年多，有助於恢復 Google 全球約 0.7% 的運算資源。這種效率提升允許在相同的運算佔用空間內完成更多任務。AlphaEvolve 的解決方案帶來了更好的效能，並由於程式碼的可讀性而提供了操作優勢。
協助硬體設計
AlphaEvolve 提出了一種 Verilog 重寫，該重寫刪除了用於矩陣乘法的算術電路中的位元。該提案必須通過高級檢查，以確認修改後的電路保持功能正確性。此提案已整合到即將推出的 Tensor Processing Unit，即 Google 的客製化 AI 加速器中。透過提出晶片設計師標準語言的修改意見，AlphaEvolve 確保 AI 和硬體工程師可以協作，以加速專用晶片的設計。
增強 AI 訓練和推論
AlphaEvolve 能夠提高 AI 效能和研究速度。它將 Gemini 架構中的一個核心加速了 23%，從而使 Gemini 的訓練時間減少了約 1%。此外，AlphaEvolve 還減少了核心優化所需的工程時間，從專家數週的努力減少到數天的自動實驗，從而幫助研究人員更快地創新。
此外，AlphaEvolve 也可以優化低階 GPU 指令。對於基於 Transformer 的 AI 模型中的 FlashAttention 核心實作，AlphaEvolve 實現了高達 33% 的加速。此類優化使專家能夠找到效能瓶頸，並輕鬆將改進整合到現有的程式碼庫中。
推進數學和演算法發現
AlphaEvolve 也可以針對複雜的數學問題提出新的方法。在給定電腦程式的最小程式碼骨架的情況下，AlphaEvolve 設計了一個基於梯度的最佳化程式的元件，該程式發現了矩陣乘法演算法。
AlphaEvolve 的程式導致發現了一種使用 48 個純量乘法來乘 4x4 複數值矩陣的演算法，從而改進了 Strassen 在 1969 年提出的演算法。
為了調查 AlphaEvolve 的廣度，該系統被應用於數學分析、幾何、組合數學和數論中的 50 多個開放問題。在大約 75% 的案例中，它重新發現了最先進的解決方案。
在 20% 的案例中，AlphaEvolve 改進了先前已知的最佳解決方案，並推進了親吻數問題。這個幾何挑戰涉及接觸一個共同單位球體的非重疊球體的最大數量。AlphaEvolve 發現了 593 個外部球體的配置，並在 11 維中建立了一個新的下限。
AlphaEvolve 演算法設計的新紀元
AlphaEvolve 的開發標誌著自動演算法設計向前邁出了重要一步，展示了從發現特定領域的專業演算法到應對複雜的現實世界挑戰的進展。透過利用 LLM 的功能，並將它們與自動評估和演化最佳化技術相結合，AlphaEvolve 為跨不同領域的創新開闢了機會。
AlphaEvolve 的潛在應用遠遠超出其目前的用例，有望影響廣泛的學科，包括：
材料科學： AlphaEvolve 可用於設計具有增強性能的新材料，例如提高強度、導電性和耐用性。
藥物發現： 演算法優化的候選藥物可以加速發現過程，並為各種疾病帶來新的治療方法。
永續性： AlphaEvolve 可應用於設計更永續的流程和技術，例如最佳化能源消耗和減少浪費。
更廣泛的技術和商業應用： 從最佳化供應鏈到改進財務模型，AlphaEvolve 的潛在應用範圍廣泛且多樣。
AlphaEvolve 的開發代表了演算法設計方式的範式轉變，為解決複雜問題和推動各個行業的創新提供了一個強大的新工具。隨著 LLM 不斷發展和改進，AlphaEvolve 的功能預計將進一步擴展，為未來幾年的更大進步鋪平道路。
資料分析與解讀： 在商業領域，AlphaEvolve 可以用來分析大量資料集、揭示隱藏的模式，並產生可執行的見解。透過自動化資料探索與解讀的過程，企業可以做出更明智的決策、提升營運效率，並在日益數據驅動的世界中取得競爭優勢。
財務建模與風險管理： 金融業高度依賴複雜的演算法來執行投資組合優化、風險評估和詐欺偵測等任務。AlphaEvolve 可以協助開發更準確和穩健的財務模型，使金融機構能夠更好地管理風險、改善投資策略，並提升整體績效。
物流與供應鏈優化： 在當今全球化的經濟中，企業面臨著管理複雜供應鏈的挑戰，這些供應鏈橫跨多個國家，涉及眾多利害關係人。AlphaEvolve 可以用來優化物流營運、簡化供應鏈流程，並降低整體成本。透過識別瓶頸、減少運輸延遲，並改善庫存管理，企業可以建立更有效率和反應迅速的供應鏈，更好地滿足客戶的需求。
個人化醫療保健： 透過分析患者資料，包括病史、基因資訊和生活方式因素，AlphaEvolve 可以幫助識別有發展某些疾病風險的個體。這使得醫療保健提供者可以及早介入、提供個人化的治療計劃，並改善患者的健康結果。此外，AlphaEvolve 也可以用來優化藥物劑量、預測治療反應，並識別潛在的不良反應。
環境監測與保育： 環境監測與保育工作依賴演算法來分析從衛星、感測器和其他來源收集的資料。AlphaEvolve 可以協助開發更複雜的演算法，以監測空氣和水質、追蹤森林砍伐，並預測氣候變遷的影響。這些即時資訊可以用來做出決策、管理資源，並製定更有效的保育政策。
教育和個人化學習： 教育部門將可從 AI 驅動的個人化技術的應用中獲得極大的助益。AlphaEvolve 可以用來開發能夠滿足個別學生獨特需求和學習風格的適性學習平台。
透過分析學生的學習表現資料、識別知識差距，並相應地調整學習內容，AlphaEvolve 可以幫助為所有學生創造更具吸引力和成效的學習體驗。此外，AlphaEvolve 也可以用來自動化評分和回饋等任務，讓教師能夠專注於更個人化的教學。
AlphaEvolve 代表了演算法設計的新典範，為解決複雜問題和推動各個行業的創新提供了一個強大的工具。
提升科學發現
除了工業應用外，AlphaEvolve 在提升科學發現方面也具有巨大的前景，例如：
- 基因體學： 透過分析大量的基因體資料，AlphaEvolve 可以幫助識別與某些疾病相關的基因、預測基因突變的影響，並開發個人化的基因療法。
- 蛋白質體學： 蛋白質體學涉及研究蛋白質的結構和功能，蛋白質是細胞的組成部分。AlphaEvolve 可用於分析蛋白質交互作用、預測蛋白質摺疊模式，以及設計具有所需性質的新蛋白質。
- 材料發現： AlphaEvolve 可用於設計具有增強性能的新材料，並優化材料合成的實驗條件。
- 氣候建模： AlphaEvolve 可用於開發更準確和有效的氣候模型，更好地預測氣候變遷的影響。
- 太空探索： 演算法優化對於太空探索特別有用。由於太空中的每一位元都很重要，因此更有效率的壓縮演算法可以減少需要傳輸的資料量，這將極大地改善與太空探測器的通訊。
總之，AlphaEvolve 在商業、科學和工程領域都有廣泛的應用。