世界

Alphaevolveは、キスの問題などに取り組んでいます

「キス番号。 'やや残念なことに、それは実際のキスとは何の関係もありません。それは、交差せずに等しいサイズの単一の球体に触れる（または「キス」）できる球体の数を列挙します。 1つの次元では、キス番号は2です。 2つの次元では6です（考えてみてください ニューヨークタイムズスペリングビーパズル構成）。寸法の数が増えると、答えはそれほど明白になりません。4を超えるほとんどの次元の場合、キス数の上限と下限のみがわかっています。現在、Alphaevolveと呼ばれるGoogle DeepMindによって開発されたAIエージェントが問題に貢献し、592から593の11次元でキス数の下限を増やしました。これは、特に11次元のキス数の上限が868であることを考えると、問題の漸進的な改善のように思えるかもしれないため、未知の範囲はまだ非常に大きいためです。しかし、それはAIエージェントによる新しい数学的発見を表しており、大規模な言語モデルは元の科学的貢献ができないという考えに挑戦しています。 そして、これはAlphaevolveが達成したことのほんの一例です。 「私たちは研究数学のさまざまなオープンな問題にAlphaeVolveを適用し、数学のさまざまな部分から意図的に問題を選択しました：分析、組み合わせ、ジオメトリ」彼らは、問題の75％について、AIモデルがすでに既知の最適なソリューションを複製したことを発見しました。症例の20％で、既知のソリューションを上回る新しい最適なものが見つかりました。 「そのようなケースはすべて新しい発見です」とバログは言います。 （他の5％の症例では、AIは既知の最適なものよりも悪いソリューションに収束しました。）このモデルは、マトリックス増殖のための新しいアルゴリズムも開発しました。これは、機械学習の多くの根底にある操作です。 Alphatensorと呼ばれるDeepMindのAIモデルの以前のバージョンは、4 x 4マトリックスを掛けるために1969年に発見された以前の最もよく知られているアルゴリズムをすでに破っていました。 Alphaevolveは、その改善されたアルゴリズムのより一般的なバージョンを見つけました。DeepmindのAlphaevolveは、Googleでいくつかの実際的な問題を改善しました。 Google DeepMind抽象的な数学に加えて、チームは、企業が毎日直面しているため、Googleが実際の問題にモデルを適用しました。 AIは、データセンターのオーケストレーションを最適化して1％の改善を獲得し、次のGoogleテンソル処理ユニットの設計を最適化し、Geminiトレーニングで使用されるカーネルの改善を発見するために、トレーニング時間の1％削減につながりました。「単一のシステムで非常に多くの異なることをすることができるのは非常に驚くべきことです」と、Alphaevolveにも取り組んでいるDeepmindの上級研究科学者であるAlexander Novikov氏は言います。Alphaevolveの仕組みAlphaevolveは、コードとして表現できるほぼすべての問題に適用できるため、非常に一般的になることができます。ユーザーは、問題を初期に刺します。これは、手元の問題を解決するプログラムです。次に、大規模な言語モデル、この場合はジェミニが同じ問題を解決するために他の候補プログラムを考え出し、それぞれが検証剤によってテストされます。そこから、Alphaevolveは遺伝的アルゴリズムを使用して、提案されたソリューションの「適者」が生き残り、次世代に進化するようにします。このプロセスは、ソリューションが改善を停止するまで繰り返されます。 Alphaevolveは、Gemini大言語モデル（LLMS）のアンサンブルを評価コードと組み合わせて使用します。これらはすべて、遺伝的アルゴリズムによって組織され、コードを最適化します。 Google DeepMind「大規模な言語モデルがやって来て、私たちは自分自身に尋ね始めました、彼らがトレーニングデータにあるものを追加するだけであるというのはそうですか、それとも実際にそれらを使用して完全に新しい、新しいアルゴリズムや新しい知識を発見することができますか？」バログは言う。この研究は、「大規模な言語モデルを正しい方法で使用する場合、非常に正確な意味で、アルゴリズムの形で実証的に新しく正しいものを得ることができる」と述べています。Alphaevolveは、Deepmindのモデルの長い系統から来ており、Alphazeroに戻ります。これは、人間の知識を使用せずにチェス、ゴー、その他のゲームを演奏したり、他のゲームをプレイすることを学んだりすることで世界を驚かせました。 2024年の国際数学オリンピアードで銀メダリストレベルで行われた、補強学習であるアルファプルーフに基づく別の数学解決AI。しかし、Alphaevolveの場合、チームは遺伝的アルゴリズムを支持して強化学習の伝統を破りました。 「システムははるかに簡単です」とバログは言います。 「そして、それは実際に結果をもたらし、幅広い問題を設定する方がはるかに簡単です。」（まったく怖くない）未来Alphaevolveの背後にあるチームは、2つの方法でシステムを進化させたいと考えています。第一に、彼らはそれを自然科学の問題を含む、より広範な問題に適用したいと考えています。この目標を追求するために、彼らは興味のある学者が彼らの研究でAlphaevolveを使用するための早期アクセスプログラムを開くことを計画しています。提案されたソリューションの検証はそれほど簡単ではないため、システムを自然科学に適合させることは難しいかもしれません。しかし、バログは、「自然科学には、さまざまな種類の問題のためのシミュレーターがたくさんあることを知っています。そして、それらはアルファエボルブ内でも使用できることを知っています。そして、将来、この方向の範囲を広げることに非常に興味があります。」第二に、彼らはシステム自体を改善したいと考えています。おそらく、それを別のDeepMindプロジェクトであるAI Co-Scientistと結びつけることで改善したいと考えています。このAIはLLMと遺伝的アルゴリズムも使用しますが、自然言語の仮説生成に焦点を当てています。 「彼らはこれらの高レベルのアイデアと仮説を開発します」とバログは言います。 「このコンポーネントをAlphaevolveのようなシステムに組み込むと、より高いレベルの抽象化が可能になると思います。」これらの見通しはエキサイティングですが、一部の人にとっても威ac的に聞こえるかもしれません。たとえば、アルファヴォルブのジェミニトレーニングの最適化は、再帰的に自己改善するAIの始まりと見なされる可能性があります。 Deepmindチームは、もちろんそれが彼らの目標ではないことを主張しています。 「私たちは、人類に利益をもたらすAIの前進に貢献できることを楽しみにしています」とノビコフは言います。サイトの記事からウェブ上の関連記事 #Alphaevolveはキスの問題などに取り組んでいます