DeepMind AlphaEvolve междисциплинарные результаты: умножение матриц 4×4 обновило рекорд Страссена 1969 года, обучение Gemini ускорилось на 1%

Google DeepMind 5 月 7 日（американское время）опубликовала отчёт о кросс-дисциплинарных результатах AlphaEvolve. В официальном блоге DeepMind собраны конкретные достижения AlphaEvolve с момента запуска: найден метод умножения комплексных 4×4 матриц, который лучше алгоритма Strassen 1969 года (48 раз чистого скалярного умножения), совместно с математиками, включая Терренса Тао, решены несколько математических сложных задач Эрдёша (Эрдёш), обеспечено сокращение на 0,7% глобальных вычислительных ресурсов для дата-центров Google, скорость ключевого kernel в обучении Gemini увеличена на 23%, а общее время обучения Gemini снижено на 1%.

Архитектура: эволюционный агент с широким поиском Gemini Flash + глубокую оценку Gemini Pro

AlphaEvolve — это эволюционный кодирующий Agent, предназначенный для обнаружения универсальных алгоритмов и оптимизации:

Gemini Flash — максимизация ширины идей для исследования

Gemini Pro — предоставление глубоких критических рекомендаций

Автоматический оценщик — проверка каждого кандидата и сбор обратной связи

Эволюционная рамка — непрерывные итерации на основе оценочной обратной связи с сохранением наиболее перспективных решений

Такая структура позволяет AlphaEvolve без предварительных подсказок человека постоянно генерировать и тестировать решения для открытых задач, особенно в областях, где «ответ можно автоматически верифицировать» (алгоритмы, математика, задачи оптимизации).

Математические результаты: обновление рекорда 1969 года для умножения 4×4 матриц, работа с Терренсом Тао над задачами Эрдёша

AlphaEvolve вносит конкретный вклад в математику и информатику:

Умножение комплексных 4×4 матриц: найден алгоритм, требующий только 48 раз чистого скалярного умножения, и превосходящий лучшее известное решение, предложенное Strassen в 1969 году

Совместная работа с известными математиками, включая Терренса Тао: совместное решение нескольких открытых задач Эрдёша (Эрдёш)

Алгоритм Strassen — одно из долгосрочных лучших решений по вычислительной сложности матричного умножения; в этом кейсе AlphaEvolve прервала рекордную серию десятилетней давности, демонстрируя конкретный пример «AI Agent, который находит новое решение на математической границе».

Достижения инфраструктуры: энергосбережение в дата-центре Google, снижение ошибки в квантовых схемах в 10×

AlphaEvolve в применении к собственным системам Google:

Дата-центр: найдён лучший способ диспетчеризации задач, возврат в среднем 0,7% глобальных вычислительных ресурсов

Обучение Gemini: скорость ключевого kernel увеличена на 23%, общее время обучения снижено на 1%

Квантовая физика: на квантовом процессоре Google Willow AlphaEvolve спроектировала квантовую схему с ошибкой на 10 раз ниже, чем у традиционного оптимизационного базового уровня, что позволяет выполнять сложное моделирование молекул на Willow

Оптимизация энергосети: доля осуществимых решений задачи AC Optimal Power Flow, решаемой моделью графовых нейросетей (GNN), увеличена с 14% до 88% и более

Науки о Земле: автоматизирована оптимизация модели Earth AI, точность прогнозов рисков природных катастроф повышена на 5%

Конкретные события, которые можно отслеживать дальше: будет ли AlphaEvolve в Google открыта для внешних исследователей в виде внутренних инструментов, дальнейшие прорывы по серии задач Эрдёша и прогресс по коммерциализации AlphaEvolve в Google Cloud (DeepMind уже анонсировала соответствующую интеграцию в блоге Google Cloud).

Эта статья DeepMind про кросс-дисциплинарные успехи AlphaEvolve: обновление рекорда Strassen 1969 года для умножения 4×4 матриц и ускорение обучения Gemini на 1% впервые появилась на Сетевые новости ABMedia.