DeepMind AlphaEvolve bereichsübergreifende Bilanz: 4×4-Matrixmultiplikation bricht den Strassen-Rekord von 1969, Gemini trainiert 1% schneller

Google DeepMind veröffentlichte am 7. Mai (US-Zeit) einen Ergebnisbericht zu AlphaEvolve mit bereichsübergreifenden Durchbrüchen. In einem offiziellen DeepMind-Blog fasst das Team die konkreten Fortschritte von AlphaEvolve seit dem Start zusammen: eine Methode für die 4×4-Komplex-Matrizenmultiplikation, die besser ist als der Strassen-Algorithmus von 1969 (48-malige reine Skalarmultiplikation), die Zusammenarbeit mit Mathematikern wie Terence Tao zur Lösung mehrerer Erdős (Erdős)-Mathematikrätsel, Einsparungen von 0,7% globaler Rechenressourcen in den Google-Rechenzentren, eine Geschwindigkeitssteigerung der für Gemini trainierten Schlüssel-kernels um 23% sowie eine Verringerung der gesamten Gemini-Trainingszeit um 1%.

Architektur: Evolutionsbasierter Agent mit Gemini Flash für die breite Exploration und Gemini Pro für die tiefe Bewertung

AlphaEvolve ist ein evolutionsbasierter Coding-Agent, der für allgemeine Auffindung von Algorithmen und Optimierung entworfen wurde:

Gemini Flash—Maximierung der Breite von Exploration-Ideen

Gemini Pro—Lieferung tiefgreifender, kritischer Empfehlungen

Automatischer Evaluator—Validiert jede Kandidatenlösung und gibt Feedback

Evolutionsrahmen—Iteriert fortlaufend auf Basis des Bewertungs-Feedbacks und bewahrt die vielversprechendsten Lösungen

Diese Struktur ermöglicht es AlphaEvolve, ohne menschliche Voraussteuerung kontinuierlich Lösungen für offene Fragestellungen zu erzeugen und zu testen—geeignet für Bereiche, in denen „Antworten automatisch verifizierbar“ sind (Algorithmen, Mathematik, Optimierungsprobleme).

Mathematische Ergebnisse: 4×4-Matrizenmultiplikation mit Auffrischung des Rekords von 1969, Zusammenarbeit mit Terence Tao zur Lösung von Erdős-Problemen

AlphaEvolve hat in Mathematik und Informatik konkret aufgeholt:

4×4-Komplexwertige Matrizenmultiplikation: eine Algorithmuslösung gefunden, die nur 48 reine Skalarmultiplikationen benötigt—besser als das beste Ergebnis, das Strassen 1969 vorgeschlagen hat

Zusammenarbeit mit bekannten Mathematikern wie Terence Tao zur gemeinsamen Lösung mehrerer offener Erdős-Probleme

Der Strassen-Algorithmus gehört zu den langfristig besten Lösungen für die Rechenkomplexität von Matrizenmultiplikationen; AlphaEvolve hat in diesem Fall eine jahrzehntelange Bestmarke durchbrochen—ein konkretes Beispiel dafür, dass „KI-Agenten an der mathematischen Grenze neue Lösungen finden“.

Ergebnis in der Infrastruktur: Google-Rechenzentren effizienter, Quantenfehler um 10× reduziert

AlphaEvolve in der Anwendung in Googles eigenen Systemen:

Rechenzentrum: bessere Task-Scheduling-Methoden gefunden, im Schnitt 0,7% globale Rechenressourcen zurückgewonnen

Gemini-Training: Schlüssel-kernel-Geschwindigkeit um 23% gesteigert, gesamte Trainingszeit um 1% verringert

Quantenphysik: Auf dem Google Willow-Quantenprozessor sind die von AlphaEvolve entworfenen Quanten-Schaltkreise im Vergleich zur traditionellen Optimierungs-Baseline um das 10-fache fehlertoleranter—damit können komplexe Molekül-Simulationen auf Willow ausgeführt werden

Stromnetz-Optimierung: den Anteil zulässiger Lösungen bei der Lösung des Problems AC Optimal Power Flow mit einem Graph-Neural-Network-(GNN)-Modell von 14% auf über 88% gesteigert

Erdwissenschaften: Automatisierung des Earth-AI-Modells zur Optimierung, die Genauigkeit der Vorhersage von Naturkatastrophenrisiken um 5% erhöht

Nachverfolgbare konkrete nächste Ereignisse: ob AlphaEvolve für externe Forschende aus Googles internen Tools heraus zur Verfügung gestellt wird, weitere Durchbrüche bei Problemen aus der Erdős-Serie sowie der Stand der Kommerzialisierung von AlphaEvolve bei Google Cloud (DeepMind hatte im Google-Cloud-Blog entsprechende Integrationen angekündigt).

Der Artikel DeepMinds AlphaEvolve-Erfolg über verschiedene Fachgebiete hinweg: 4×4-Matrizenmultiplikation aktualisiert den Strassen-1969-Rekord, Gemini-Training um 1% schneller erschien zuerst bei 鏈新聞 ABMedia.