30%-kal csökkenti a DNS-hibákat a Google Gemini-alapú AlphaEvolve ügynöke
Az AlphaEvolve a genomika, az infrastruktúra és a tudományos kutatás területén is jelentős hatást ért el, optimalizálva a kvantumáramköröket és javítva a természeti katasztrófák előrejelzését.
A Google Gemini-alapú kódoló ügynöke, az AlphaEvolve, fejlett algoritmusokat tervez és optimalizál, jelentősen javítva a DNS-szekvenálási hibák korrekcióját és az energiaellátási hálózatok hatékonyságát — közölte a Google AI Blog.
A Google Research DeepConsensus modelljében az AlphaEvolve 30%-kal csökkentette a variánsészlelési hibákat a DNS-szekvenálás során, ami pontosabb genetikai adatelemzést tesz lehetővé a PacBio kutatói számára. Az energiaellátás optimalizálásában a Graph Neural Network (GNN) modell megvalósítható megoldásainak arányát 14%-ról több mint 88%-ra növelte az AC Optimal Power Flow probléma esetén, csökkentve a költséges utófeldolgozási lépéseket.
Az áttörés kapujában
A természeti katasztrófák kockázatának előrejelzési pontosságát 5%-kal növelte húsz kategóriában, például erdőtüzek, árvizek és tornádók esetében. A kvantumfizikában az AlphaEvolve optimalizációi 10-szer alacsonyabb hibával tették lehetővé komplex molekuláris szimulációk futtatását a Google Willow kvantumprocesszorán, ami áttörést jelent a kvantumszámítási kísérletekben.
A tudományos együttműködés hídja
Az AlphaEvolve Terence Tao matematikussal is együttműködött Erdős-problémák megoldásában, és javította az utazóügynök-probléma (Traveling Salesman Problem) és a Ramsey-számok alsó korlátait. A rendszer a Google infrastruktúrájának alapvető részévé vált, optimalizálva a következő generációs TPU-k tervezését és a Google Spanner hatékonyságát, ahol 20%-kal csökkentette az írási amplifikációt.
A Google Cloud partnereként az AlphaEvolve már kereskedelmi alkalmazásokban is bizonyít. A Klarna például megduplázta transzformátor modelljeinek betanítási sebességét, miközben javította a modell minőségét. A FM Logistic 10,4%-os útvonal-hatékonyság-javulást ért el, évente több mint 15 000 kilométer utazási távolságot megtakarítva. A Schrödinger a Machine Learned Force Fields (MLFF) betanítási és következtetési sebességét is körülbelül négyszeresére gyorsította az AlphaEvolve segítségével, 2024. január elsejétől kezdve.