DeepMind AlphaEvolve desempenho interdomínios: multiplicação de matrizes 4×4 atualiza recorde de Strassen 1969, treinamento do Gemini acelera em 1%

O Google DeepMind publicou, em 7 de maio (horário dos EUA), um relatório de resultados de ponta do AlphaEvolve. O blog oficial da DeepMind reuniu os avanços concretos do AlphaEvolve desde sua estreia: encontrou um método de multiplicação de matrizes complexas 4×4 melhor do que o algoritmo de Strassen de 1969 (48 multiplicações escalares puras), colaborou com matemáticos como Terence Tao para resolver vários difíceis problemas matemáticos de Erdős, economizou 0,7% do total de recursos computacionais globais para os data centers da Google, aumentou em 23% a velocidade dos kernels-chave treinados com o Gemini e reduziu em 1% o tempo total de treinamento do Gemini.

Arquitetura: agente evolutivo com exploração ampla do Gemini Flash + avaliação profunda do Gemini Pro

AlphaEvolve é um agente codificador evolutivo, projetado para descoberta e otimização de algoritmos de uso geral:

Gemini Flash—maximizando a amplitude de ideias de exploração

Gemini Pro—fornecendo recomendações profundas e críticas

avaliador automático—verificando cada resposta candidata e fornecendo feedback

estrutura evolutiva—iterando continuamente com base no feedback de avaliação e mantendo as soluções mais promissoras

Essa estrutura permite que o AlphaEvolve continue gerando e testando soluções para questões abertas sem orientação prévia de humanos, sendo adequado para domínios em que “as respostas podem ser verificadas automaticamente” (como algoritmos, matemática e problemas de otimização).

Conquistas em matemática: atualização do recorde de 1969 na multiplicação de matrizes 4×4 e resolução de problemas de Erdős em colaboração com Terence Tao

O AlphaEvolve registrou avanços concretos em matemática e ciência da computação:

Multiplicação de matrizes complexas 4×4: encontrou um algoritmo que exige apenas 48 multiplicações escalares, superando o melhor resultado apresentado por Strassen em 1969

Colaboração com matemáticos renomados como Terence Tao, resolvendo em conjunto vários problemas abertos de Erdős

O algoritmo de Strassen é uma das melhores soluções de longo prazo para complexidade computacional em multiplicação de matrizes. Nesse caso, o AlphaEvolve quebrou um recorde de décadas, sendo um exemplo concreto de “um AI Agent que encontra novas soluções na fronteira da matemática”.

Conquistas de infraestrutura: economia de energia em data centers da Google e redução de erros em circuitos quânticos em 10×

Aplicação do AlphaEvolve nos sistemas próprios da Google:

Data center: encontrou um método melhor de escalonamento de tarefas, recuperando em média 0,7% dos recursos computacionais globais

Treinamento do Gemini: aumento de 23% na velocidade dos kernels-chave e redução de 1% no tempo total de treinamento

Física quântica: no processador quântico Willow da Google, o erro dos circuitos quânticos projetados pelo AlphaEvolve ficou 10 vezes menor do que a melhor linha de base de otimização tradicional, permitindo que simulações moleculares complexas sejam executadas na Willow

Otimização de rede elétrica: aumentou a proporção de soluções viáveis do modelo de redes neurais de grafos (GNN) para o problema AC Optimal Power Flow de 14% para mais de 88%

Ciências da Terra: automação do modelo de Earth AI de otimização, com melhoria de 5% na precisão das previsões de risco de desastres naturais

Eventos concretos acompanháveis em seguida: se o AlphaEvolve será disponibilizado internamente na Google para pesquisadores externos, os próximos avanços em problemas da série de Erdős e o progresso de comercialização do AlphaEvolve na Google Cloud (a DeepMind já havia antecipado, em um blog da Google Cloud, as integrações relacionadas).

Este artigo com o desempenho interdomínios do AlphaEvolve da DeepMind: multiplicação de matrizes 4×4 atualiza o recorde de Strassen de 1969 e o treinamento do Gemini fica 1% mais rápido, apareceu primeiro em 鏈新聞 ABMedia.