AlphaEvolve — тепер доступний для всіх у Google Cloud

Якщо ви коли-небудь намагалися спроектувати мікрочіп, спланувати мережу доставки або оптимізувати навчальну архітектуру для великої моделі ШІ, ви знаєте, як важко знайти найбільш оптимізований код. Тому що простір для пошуку просто надто великий. Щоб допомогти, минулого року Google Cloud представив AlphaEvolve у приватному попередньому перегляді — агент, який допоможе вам розробити кращі алгоритми на Google Cloud.

Що нового: Сьогодні AlphaEvolve став загальнодоступним (GA) на платформі Gemini Enterprise Agent Platform. AlphaEvolve — це агент оптимізації та пошуку коду, створений на базі Gemini, який допомагає вирішувати найскладніші алгоритмічні проблеми та досягати проривів для вашого бізнесу та досліджень. У рамках програми раннього доступу його тестували в різних сферах, таких як логістика, напівпровідники, геноміка, високопродуктивні обчислення та фінансові послуги. Він систематично досліджує простір пошуку у пошуку рішень, оптимізованих для вашого завдання.

Реалізація AlphaEvolve у вашому середовищі відбувається за структурованим чотирикроковим процесом, розробленим для переходу від початкового визначення проблеми до повністю оптимізованого коду, придатного для використання у виробничому середовищі:

• Визначення: Надайте базовий алгоритм і опис проблеми, а також контекстуальну інформацію, яка допоможе вам зрозуміти, яку проблему ви хочете вирішити.

• Методологія оцінювання: Розробіть систему оцінювання для об'єктивної оцінки кандидатських програм за одним або кількома показниками, важливими для ваших цілей, такими як правильність, ефективність та операційні обмеження.

• Оптимізація: Використовуйте інструментарій AlphaEvolve для генерації оптимізованого коду, який спеціально оптимізований на основі метрик функції оцінювання, встановлених під час фази вимірювання.

• Застосування: Розгорніть отриманий високооптимізований алгоритм безпосередньо у ваші виробничі навантаження та інфраструктуру.

У цій статті Google Cloud пояснює, як організації вже бачать результати AlphaEvolve і як ви можете розпочати розробку рішення.

Як організації використовують AlphaEvolve

AlphaEvolve виріс із дослідницького проєкту на ключовий інструмент, який ми використовуємо в Google. Тепер деякі з найінноваційніших організацій світу використовують його для розв'язання своїх алгоритмічних задач.

BASF: Створення цифрового двійника для оптимізації глобальних ланцюгів постачання.
«Ми кілька разів намагалися створити цифрового двійника для нашої складної мережі постачання, використовуючи детерміновані моделі, і всі вони зазнали невдачі. Завдяки AlphaEvolve ми тепер можемо не лише картографувати складну мережу на основі системних даних, а й одночасно розуміти та відтворювати рішення, прийняті людьми, які визначають наші щоденні дії. Це дає нам високоточний і простий у обслуговуванні, цифровий двійник усієї мережі.» — Доктор Гетц Краббе, віцепрезидент з глобальних ланцюгів постачання, BASF.   

Відвідайте блог, щоб дізнатися більше про те, як BASF використала AlphaEvolve для покращення існуючих моделей планування та прогнозування більш ніж на 80%.

Coolblue: оптимізація прогнозування попиту в електронній комерції
"Дата-сайентісти Coolblue використали AlphaEvolve для прямої оптимізації свого 28-денного конвеєра прогнозування попиту, зосереджуючись на комп'ютеризованому проектуванні функцій, попередній обробці цільових даних та виборі моделі. Усього за кілька (200) ітерацій AlphaEvolve покращила наш прогноз виробництва (зменшивши WMAPE порівняно з існуючим рішенням) більш ніж на 5%. Ці досягнення були досягнуті завдяки покращенню інженерії ознак, ансамблю різних регресійних моделей та кращій попередній обробці цільових даних, запропонованих і перевірених AlphaEvolve. Для забезпечення достатньої доступності запасів критично важливо, щоб прогноз попиту був точним як у короткостроковій (перші 7 днів), так і в довгостроковій (загалом 28 днів). AlphaEvolve досягла цього, використовуючи метрику оцінювання, яка поєднує обидва періоди, а також суворе покарання за недооцінку. AlphaEvolve довела свою здатність суттєво покращувати рішення щодо оптових закупівель і допомагати нам підтримувати оптимальний рівень запасів у найближчі тижні.» — Кас Ругер, дата-сайентіст у Coolblue

FM Logistic: оптимізація маршрутизації на
складі. «Завдяки нашому партнерству з Google Cloud та впровадженню AlphaEvolve і Gemini ми ще більше оптимізували наш підхід до маршрутизації вантажів. Покращення було досягнуто на 10,4% на основі вже високо оптимізованого базового рівня, де зазвичай важко досягти подальших покращень. Це безпосередньо означає швидше виконання замовлень, кращі умови праці для наших працівників і менший знос автопарку.» — Родольф Бей, головний інформаційний директор, FM Logistic Group.

Відвідайте блог і вебсайт, щоб дізнатися більше про те, як FM Logistics використала AlphaEvolve для оптимізації маршрутизації складських операцій на 10,4%, що дозволило заощадити понад 15 000 км на поїздках персоналу.

Infineon: Оптимізуйте дизайн чипа
. "Наші початкові експерименти з AlphaEvolve були дуже позитивними, продемонструвавши його потенціал трансформувати життєвий цикл дизайну чипа. Ми бачимо очевидний потенціал для її використання на різних етапах розвитку, зокрема в таких сферах, як сурогатне моделювання.» — Майкл Колліг, головний інформаційний директор Infineon

JetBrains: Прискорення продуктивності IDE
. «AlphaEvolve має потенціал змінити підхід до складної роботи з оптимізації продуктивності. Вона перетворює оптимізації, які раніше вивчали надто довго, на варіанти, які ми можемо регулярно тестувати. Інженери все ще відповідають за бенчмаркінг, валідацію та рішення щодо випуску. Лише простір пошуку звужується.» — Дмитро Баткович, директор інженерії JetBrains.

Відвідайте блог, щоб дізнатися більше про те, як Jetbrains використали AlphaEvolve для покращення продуктивності свого IDE більш ніж на 15-20%.

Kinaxis: Покращення систем оптимізації та прогнозування.
«Дослідники Kinaxis використали AlphaEvolve для суттєвого покращення як швидкості, так і якості високотехнологічних алгоритмів прогнозування та оптимізації. На початкових етапах тестування ми досягли покращення більш ніж на 22% у ключових метриках точності прогнозування, одночасно скоротивши час виконання більш ніж на 90% на еталонних наборах даних. Оскільки ланцюги постачання стають дедалі складнішими та непередбачуваними, AlphaEvolve має потенціал допомогти найбільшим організаціям світу приймати швидші, більш обґрунтовані рішення та адаптуватися з більшою впевненістю.» — Гелу Тікала, технічний директор Kinaxis 

Відвідайте блог, щоб дізнатися більше про те, як Kinaxis використала AlphaEvolve для досягнення значних покращень у прогнозних метриках і часі виконання.

Klarna: Подвійна пропускна здатність при покращенні якості моделей.

« Klarna застосувала AlphaEvolve до одного зі своїх найбільших навчальних конвеєрів і подвоїла пропускну здатність, покращуючи якість моделі, дотримуючись суворих обмежень відтворюваності, характерних для регульованих фінансових послуг. Протягом трьох тижнів система дослідила майже 6 000 кандидатських програм, виявивши глибокі архітектурні зміни, які жоден інженер не наважився б зробити.» - Інженерна команда Klarna.

Відвідайте блог, щоб дізнатися більше про те, як Klarna використала AlphaEvolve для подвоєння швидкості навчання та покращення продуктивності своїх базових моделей.

Kuro Games: оптимізація серверної
сторони"У Kuro Games наш головний принцип полягає в тому, що ШІ має не лише прискорювати нашу роботу, а й покращувати її. AlphaEvolve є справжнім доказом цього принципу. Ми застосували його до складного завдання бекенд-оптимізації і побачили значне покращення продуктивності у конкретних серверних навантаженнях. AlphaEvolve виконує роботу з оптимізації, яку найкраще роблять машини, тож наші інженери можуть зосередитися на тому, що можуть робити лише люди: створювати чудові ігри.» — Лін Ченчен, технічний директор Kuro Games

Національна лабораторія Оук-Рідж: генерація ядер для GPU для екзафлейтних обчислень. Партнерство Google
DeepMind з Міністерством енергетики США в рамках програми Genesis Mission забезпечує ранній доступ до наших AI-інструментів для наукових досліджень.

«Національна лабораторія Оук-Рідж (ORNL) нещодавно об'єдналася з Google для впровадження AlphaEvolve на Frontier — першому у світі екзамасштабному суперкомп'ютері. Дослідницька група розробила архітектуру оцінки з замкненим циклом, яка пов'язує генерацію коду для великих хмарних мовних моделей із середовищем виконання Frontier. Система оптимізує ядра GPU з різною точністю — що вимагає складних, взаємопов'язаних рішень щодо пам'яті, розміщення даних і апаратної синхронізації — шляхом ітеративної генерації, компіляції, запуску та перевірки кандидатних програм безпосередньо на GPU суперкомп'ютера AMD. Цей виконуваний пошуковий рушій оцінює кожну запропоновану структурну оптимізацію за правилами чисельної точності.»

«Наша співпраця з командою Google AlphaEvolve дозволила нам на ранньому етапі оцінити можливості поєднання еволюційного програмування з висококласними суперкомп'ютерами. Коли ми запускали AlphaEvolve на платформі Frontier, ми паралельно досліджували велику кількість варіантів оптимізації, включно з новими реалізаціями, які допомогли нам дослідити сфери дизайну, до яких ми, можливо, не досягли б лише ручною оптимізацією. Це обнадійливий перший крок до застосування оптимізації за допомогою штучного інтелекту до дедалі складнішого наукового програмного забезпечення.» — Оскар Ернандес Мендоса, доктор філософії, старший науковець з комп'ютерних наук, ORNL

Університет Олд Домініон: Моделювання рівня смертності при біологічному старінні.
"Лабораторія Цінь в Університеті Олд Домініон використовувала AlphaEvolve для пошуку програм на Python, які моделюють рівень смертності при біологічному старінні — проблема в обчислювальній біогеронтології, де керуючі рівняння охоплюють кілька емпіричних законів. Використовуючи кластер HPC на Google Cloud у рамках ініціативи ODU MonarchSphere, AlphaEvolve — приблизно у 500 оцінках — незалежно відкрив модель логістичної смертності Cannisto (опублікований результат літератури з біогеронтології 1990-х років) без попередніх знань цієї літератури, покращив композитну придатність моделі емерджентного старіння на 19% за рахунок гетерогенних розподілів швидкості розпаду і продемонстрував майже ідеальний результат Кореляція Стрелера–Мілдвана (0,949) через топологію безмасштабної мережі з лапласіанським спектральним старінням приблизно у 500 оцінках. Головний висновок полягає в тому, що структурно різноманітні моделі збігаються з тими ж емпіричними законами старіння, що свідчить про те, що Гомперц, Стрелер-Мільдван і Канністо є стабільними атракторами біологічних систем. Команда планує розширити цю роботу на багатовидові набори даних і пов'язати еволюційні програмні структури з перевіряними біологічними механізмами.» — Доктор Хун Цін, кафедра комп'ютерних наук, Університет Олд Домініон

PacBio: Підвищення точності та зниження витрат у геноміці.
«Рішення, яке команда Google знайшла з AlphaEvolve, дозволяє нам досягти значно вищої точності секвенування на наших приладах. Для дослідників ці якісні дані можуть виявити раніше приховані мутації, що викликають хвороби.» – Аарон Венгер, старший директор PacBio.

Відвідайте блог, щоб дізнатися більше про те, як Pacbio використала AlphaEvolve для покращення DeepConsensus — моделі, розробленої Google Research для виправлення помилок секвенування ДНК — шляхом зменшення помилок виявлення варіантів на 30%.

Pebble: оптимізація продуктивності обслуговування GPU.
«Оптимізація сервісу виконання виведення — надзвичайно складне завдання, оскільки це багатовимірна задача проєктування системи, яка динамічно змінюється залежно від обмежень пам'яті, обчислення та апаратного забезпечення. Модель затримки AI Configurator від NVIDIA була суттєво обмежена одним статичним емпіричним коефіцієнтом корекції 0,8, який застосовувався рівномірно до всіх робочих навантажень і не імітував розбіжності в ефективності FP8 і BF16, що призводило до відхилення рекомендованих конфігурацій від оптимальних. AlphaEvolve вирішив цю проблему, автономно відкриваючи формулювання для моделювання продуктивності GPU безпосередньо з нашого навчального посібника. Цей еволюційний підхід, заснований на Близнюках, значно зменшив помилки нашої моделі, забезпечивши більш ніж 56% відносного зниження похибки. Ми раді інтегрувати цю більш плавну, навчену функцію ефективності та використовувати AlphaEvolve для безперервного картографування нових апаратних функцій без ручної конфігурації.» — Кевал Шах, керівник відділу штучного інтелекту, Pebble

QBraid: Розвиток квантових обчислень.
"AlphaEvolve дала результат, заснований на сімействі кодування, над якими ми працювали роками. Вона обшукала простір дизайну, який був занадто великим для ручного аналізу, і повернула нам дані, які ми могли прочитати, перевірити та зрозуміти. Такі системи, як AlphaEvolve, значно прискорять прогрес у корисних квантових обчисленнях.» — Кенні Гайтріттер, віце-президент з досліджень і розробок у qBraid.

Відвідайте блог і прочитайте статтю, щоб дізнатися більше про те, як Qbraid використала AlphaEvolve для створення значно ефективніших кодів корекції помилок для квантової хімії.

Шредінгер: Скорочення циклів молекулярної симуляції для розробки ліків.
"AlphaEvolve дозволяє нам досліджувати більші хімічні простори швидше та ефективніше, ніж будь-коли раніше. Швидші результати MLFF мають реальний вплив на бізнес, скорочуючи цикли досліджень і розробок у розробці ліків, проєктуванні каталізаторів і матеріалознавстві, а також дозволяючи компаніям відбирати молекулярних кандидатів за кілька днів, а не місяців.» — Габріель Маркес, керівник ML Technology, Schrödinger.

Відвідайте блог, щоб дізнатися більше про те, як Шрьодингер використав AlphaEvolve для чотирикратного збільшення швидкості молекулярних відкриттів.

Підкладка: Прискорити час виконання напівпровідникових симуляцій.
«AlphaEvolve значно покращив швидкість і ефективність наших обчислювальних літографічних фреймворків і, що ще цікавіше, продемонстрував потенціал цих моделей для проєктування майбутнього «я», аж до атомів.»— Джеймс Прауд, генеральний директор Substrate.

Відвідайте блог, щоб дізнатися більше про те, як Substrate застосував AlphaEvolve до своєї платформи обчислювальної літографії, досягнувши експоненційного зростання швидкості виконання та здатності запускати значно більші симуляції сучасних напівпровідників.

WPP: Розшифровка коду успіху кампанії.

« WPP зіткнулася з обмеженнями у прогнозуванні ефективності своїх креативних кампаній, оскільки їхня ручна оптимізація моделей давала лише незначне покращення точності на 1%, незважаючи на значні вкладення часу та зусиль. Щоб подолати цю проблему, дослідницька команда WPP використовувала AlphaEvolve для автономної пропозиції, оцінки та вдосконалення архітектурних варіантів моделі, замість повільних ручних експериментів. Фреймворк на основі агентів ефективно обійшов обмеження методу спроб і помилок, успішно працюючи зі складними, багатовимірними даними кампаній та класовими дисбалансами. Внаслідок цього WPP досягла значного підвищення точності оцінок прогнозів і рекомендацій на 5%–10% (у різних випадках використання), перевершивши всі попередні базові моделі, включно з нейронними та вдосконаленими моделями Джемми.»— Анастасіос Цуртіс, провідний аналітик даних, WPP.

Відвідайте блог, щоб дізнатися більше про те, як WPP використала AlphaEvolve для оптимізації моделей машинного навчання для цифрових маркетингових кампаній, забезпечивши 10% покращення точності прогнозування та до 7% покращення рекомендаційних балів.

Зміцнення власної інфраструктури та наукових досліджень.

Окрім розгортання на фронтенд-серверах, Google інтегрувала AlphaEvolve як основний механізм масштабування власної передової інфраструктури. Як детально описано у звіті Google DeepMind, AlphaEvolve успішно оптимізувала кремнієве проєктування тензорних процесорних одиниць наступного покоління (TPU), створивши надзвичайно ефективну, нетривіальну схему розмітки, а також покращила евристичні алгоритми стиснення дерева злиття Log-Structured Дерево злиття Google Spanner зменшило ампліфікацію запису на 20% і скоротило обсяг пам'яті програмного забезпечення майже на 9% завдяки новим стратегіям оптимізації компіляторів. Крім того, агент зробив важливий внесок у наукові дослідження, підвищивши точність прогнозування 20 категорій ризику катастроф на 5% і виявляючи квантові схеми з десятерократною меншою кількістю помилок при проведенні складних молекулярних симуляцій на квантовому процесорі Willow від Google.

За словами Пушміта Колі, головного наукового співробітника Google Cloud і віцепрезидента з науки Google DeepMind, «ШІ виходить за межі асистента з продуктивності, який прискорює нашу роботу, і перетворюється на пошукову систему, яка надає нам можливості. Автономно орієнтуючись у складних обчислювальних просторах пошуку, інструменти на кшталт AlphaEvolve допомагають дослідникам і інженерам відкривати проривні алгоритми, які доповнюють традиційну людську інтуїцію.»

Починайте розвивати свою кодову базу вже сьогодні!

Щоб почати з AlphaEvolve, потрібно виконати лише два базові кроки:

1. Starter program: Вихідний алгоритм, написаний у вигляді коду. Ви вказуєте, які сегменти коду відкриті для оптимізації, і надаєте їх AlphaEvolve.

2. Оцінювач: детермінований клієнтський скрипт оцінювання, який компілює, тестує та оцінює мутовані варіанти, повертаючи одну або кілька скалярних метрик, які AlphaEvolve має максимізувати.

Ваш клієнт-обробник звертається до API AlphaEvolve для отримання мутованих кандидатів, запускає їх через ваш клієнтський оцінювач (який може працювати будь-де), а результати повертаються до AlphaEvolve, звідки ви берете вибірку.

Щоб користуватися AlphaEvolve, рекомендуємо почати з вивчення документації. Після швидкого налаштування API AlphaEvolve з Посібником для початку роботи рекомендуємо почати репозиторій із базових прикладів Colab, щоб зрозуміти, як працює алгоритм евристики AlphaEvolve. Для робочих процесів на основі агентів ви можете легко почати використовувати навичку AlphaEvolve у вибраному вами IDE, наприклад, Antigravity або Код Клод. Для більш складних експериментів наш посібник з найкращих практик і розширені приклади надають додаткові ресурси для завершення детальних робочих процесів експериментів AlphaEvolve.