Alphaevolve, le nouvel agent d’intelligence artificielle développé par DeepMind, a réalisé quelles générations de mathématiques ne faisaient que rêver: découvrir de nouvelles solutions pour ouvrir des problèmes de géométrie et de multiplication des matrices, dépassant les dossiers historiques et ouvrant une nouvelle ère dans la recherche mathématique.
Google Deepmind a développé un agent d’intelligence artificielle appelée Alphaevolution Cela a non seulement une optimisation des infrastructures technologiques a révolutionné, mais a fait un saut qualitatif pour résoudre des problèmes mathématiques et géométriques qui ont contesté la communauté scientifique depuis des décennies. Son architecture, basée sur des modèles de langue Gemini et un processus évolutif automatisé, a permis de relever les défis d’analyse mathématique, la combinatoire, la théorie des nombres et, en particulier, la géométrie, avec une efficacité et une créativité sans précédent.
Le fonctionnement de l’alphaevolve commence à partir d’une prémisse simple mais puissante: étant donné un problème mathématique avec une métrique d’évaluation claire (par exemple, minimiser le nombre d’opérations dans un algorithme ou maximiser une configuration géométrique), le système génère, évalue et affine des milliers de solutions possibles de manière autonome. Ce cycle évolutif, qui combine la créativité générative de Modèle de grande langue (LLM) Avec la vérification rigoureuse des évaluateurs automatiques, il s’est avéré être en mesure de surmonter même des outils spécialisés précédents tels que l’alphatenseur.
L’une des étapes les plus impressionnantes d’Alphaevolve a été dans le domaine de la multiplication des matrices, un problème central en mathématiques pures et en intelligence artificielle et en graphiques informatiques. Pendant plus d’un demi-siècle, le Algorithme de strasen (1969) a été considéré comme la norme pour multiplier les matrices 4×4 avec des nombres complexes, en utilisant 49 multiplications scalaires. Alphaevolve, cependant, a découvert une méthode qui réduit ce nombre à 48, battant un record qui avait résisté à toutes les tentatives humaines précédentes. Cette avance n’est pas seulement théorique: la multiplication de matrices plus efficaces a un impact direct sur la vitesse de formation des modèles d’IA et le développement de matériel spécialisé.
Résolution des problèmes ouverts en géométrie
La flexibilité d’Alphaevolve a été testée dans plus de 50 problèmes de mathématiques ouverts, couvrant l’analyse, combinatoire, théorie des nombres et, de manière importante, également géométrie. Dans environ 75% des cas, le système a pu redécouvrir les solutions les plus connues et a réussi à les surmonter, à établir des enregistrements ou à améliorer les niveaux précédents.
L’un des exemples les plus notables est l’avance dans le « problème du nombre de bisous », un classique de géométrie qui demande combien de sphères non chevauchantes peuvent toucher simultanément une sphère centrale dans un appel espace de n dimensionsqui est une généralisation de l’espace que nous connaissons dans la vie quotidienne. En 11 dimensions, le record précédent était de 592 sphères; Alphaevolve a trouvé une configuration avec 593, établissant une nouvelle limite inférieure et fournissant une solution qui élargit les connaissances mathématiques dans un problème qui intrigue les mathématiciens depuis plus de 300 ans.
La capacité d’Alphaevolve à résoudre des problèmes aussi divers est due à sa conception: elle peut fonctionner sur n’importe quel problème qui a une métrique d’évaluation automatique et une représentation algorithmique claire. Cela permet non seulement d’explorer des solutions de solutions où l’intuition humaine peut échouer, mais également suggérer des approches non publiées qui remettent en question les connaissances établies.
Au-delà de la multiplication des matrices et de la géométrie, l’alphaevolve a également été testé dans des problèmes de Analyse de FourierAdvanced Combinatorial and Number Theory, montrant l’adaptabilité qui en fait un grand outil scientifique potentiel. DeepMind prévoit déjà d’ouvrir le système à la communauté universitaire grâce à un programme d’accès anticipé, prévoyant que son impact sera étendu à des domaines tels que la science des matériaux, la chimie informatique et la biologie mathématique.
Eh bien aussi pour Google
Une autre des réalisations les plus tangibles d’Alphaevolve a été son impact direct sur l’infrastructure Google. Le système a découvert une heuristique étonnamment simple et efficace pour le Système Borgchargé d’orchestrer les ressources des centres de données Google dans le monde.
Cette amélioration, qui est en production depuis plus d’un an, récupère continuellement 0,7% des ressources informatiques mondiales de l’entreprise, permettant à plus de tâches d’être effectuées avec la même infrastructure et à réduire le gaspillage de ressources, selon leurs développeurs. Bien que la figure puisse sembler modeste, dans le contexte de l’escalade colossale de Google, il représente une économie de millions de coûts d’énergie et de matériel, ainsi qu’une réduction significative de l’empreinte environnementale.
L’avantage de la solution proposée par Alphaevolve ne se limite pas à ses performances: le code généré est lisible pour les humains, ce qui facilite son interprétation, sa purification et son déploiement. Cette transparence est essentielle pour que les ingénieurs comprennent, s’adaptent et font confiance aux optimisations suggérées par l’IA.
Et conception de puces
La portée de l’alphaevolve va bien au-delà de la gestion des ressources. Le système a proposé Réécritures dans Verilog -La conception du langage standard des puces – qui éliminent les composants inutiles dans les circuits arithmétiques critiques pour la multiplication des matrices, une opération centrale dans le calcul de l’IA.
Ces suggestions, après avoir réussi des processus de vérification stricte, ont été intégrées à la conception de futures unités de traitement de tension (TPU), accélérant le développement du matériel spécialisé et promouvant une collaboration plus étroite entre les ingénieurs humains et les systèmes d’IA.
Dans le domaine de la formation des modèles d’IA lui-même, Alphaevolve a réussi à accélérer le noyau ou le code de multiplication des matrices utilisées dans l’architecture des Gémeaux de 23%, ce qui se traduit par une réduction de 1% du temps de formation total. De plus, il a optimisé les instructions de faible niveau dans GPU, atteignant des améliorations allant jusqu’à 32,5% dans l’implémentation clignotante, un composant clé dans les modèles de transformateurs de l’apprentissage en profondeur de l’IA.
Ces optimisations, qui nécessitaient normalement des semaines de travail d’experts, peuvent désormais être réalisées en quelques jours grâce à des expériences automatisées, libérant des ingénieurs pour des tâches d’une plus grande valeur ajoutée.