AI 인프라 개선

AlphaEvolve 는 피로 테스트에서 벗어나 우리 인프라의 핵심 구성 요소가 되었습니다. AlphaEvolve 는 다음 세대 TPU 의 설계를 최적화하는 데 정기적으로 사용되는 도구로 사용되었습니다. 또한 더 효율적인 캐시 교체 정책을 발견하는 데 도움을 주어, 이전에 수개월 걸리는 집중적이고 인간 집약적인 노력이 필요한 작업을 2 일 만에 달성했습니다.

"AlphaEvolve 는 우리 AI 스택을 구동하는 하드웨어의 가장 낮은 수준을 최적화하기 시작했습니다. 제안한 회로 설계는 직관적이지도 않고 효율적이기도 했지만, 다음 세대 TPU 의 실리콘에 직접 통합되었습니다. 이는 TPU 뇌가 다음 세대 TPU 몸을 설계하는 데 도움을 주는 최신 사례입니다." — Jeff Dean, Google DeepMind 및 Google Research 책임 과학자

AlphaEvolve 는 Log-Structured Merge-tree 압축 heuristics 를 정교화하여 Google Spanner 의 효율성을 개선했습니다. 이 최적화는 'write amplification'—저장소에 기록된 데이터와 원본 요청의 비율—을 20% 감소시켰습니다. 또한 소프트웨어의 저장 공간을 거의 9% 줄이는 새로운 컴파일러 최적화 전략에 대한 통찰력을 제공했습니다.

상업적 애플리케이션 확장

Google Cloud 와 함께, 우리는 이제 AlphaEvolve 의 힘을 다양한 산업의 상업적 기업들에게 적용하고 있습니다.

• 금융 서비스 분야에서는 Klarna 가 이 시스템을 사용하여 가장 큰 트랜스포머 모델 중 하나를 최적화하여 학습 속도를 2 배로 늘렸고 모델 품질을 개선했습니다.
• 반도체 제조 분야에서는 Substrate 가 AlphaEvolve 를 계산 리소그래피 프레임워크에 적용하여 실행 시간 속도를 여러 배 증가시켰고, 고급 반도체의 훨씬 더 큰 시뮬레이션을 실행할 수 있게 했습니다.
• 물류 분야에서는 FM Logistic 이 이 기술을 사용하여 Traveling Salesman Problem 과 같은 복잡한 라우팅 문제를 최적화하고, 이전 중량 최적화된 솔루션 대비 10.4% 의 라우팅 효율성 개선을 찾았습니다—연간 이동 거리가 15,000 킬로미터 이상을 절약했습니다.
• 광고 및 마케팅 분야에서는 WPP 가 AlphaEvolve 를 사용하여 AI 모델 구성 요소를 정교화하고, 복잡한 고차원 캠페인 데이터를 탐색하며 경쟁적인 수동 모델 최적화에 비해 10% 의 정확도 향상을 달성했습니다.
• 계산 물질 및 생명 과학 분야에서는 Schrödinger 가 AlphaEvolve 를 적용하여 Machine Learned Force Fields (MLFF) 학습과 추론 모두에서 약 4 배의 속도 향상을 달성했습니다.

"AlphaEvolve 는 이전보다 더 빠르고 효율적으로 더 큰 화학 공간을 탐색할 수 있게 해줍니다. 더 빠른 MLFF 추론은 실제 비즈니스 영향을 미치며, 약물 발견, 촉매 설계, 물질 개발 등 R&D 사이클을 단축하고, 분자 후보를 일주일 만에 스크리닝할 수 있게 합니다." — Schrödinger 의 Machine Learning 기술 책임 Gabriel Marques.

AlphaEvolve 의 미래

지난 1 년은 AlphaEvolve 가 다용도, 일반 목적 시스템으로 빠르게 발전하고 있음을 보여줍니다. 이는 다음 돌파구는 스스로 학습하고 진화하며 최적화할 수 있는 알고리즘에 의해 주도될 것이라고 증명하고 있습니다. 앞으로 우리는 이러한 기능을 확장하고 이 기술의 힘을 더 넓은 외부 과제에 적용하는 데 열정을 가지고 있습니다.

감사의 말'

AlphaEvolve 는 Matej Balog, Alexander Novikov, Ngân Vũ, Marvin Eisenberger, Emilien Dupont, Po-Sen Huang, Adam Zsolt Wagner, Sergey Shirobokov, Borislav Kozlovskii, Francisco J. R. Ruiz, Abbas Mehrabian, M. Pawan Kumar, Abigail See, Swarat Chaudhuri, George Holland, Alex Davies, Sebastian Nowozin, 그리고 Pushmeet Kohli 가 개발했습니다. 이 연구는 알고리즘 발견을 위한 AI 를 사용하는 데 중점을 둔 광범위한 프로젝트의 일환으로 개발되었습니다. 초기 개발 이후 Alexey Cherepanov, Anindya Basu, Becky Evangelakos, Jamie Smith, 그리고 Mario Pinto 가 팀에 합류하여 AlphaEvolve 의 영향력을 확장했습니다.

Adam Connors, Alex Bäuerle, Anna Trostanetski, Fernanda Viegas, Gabi Cardoso, Jonathan Caton, Lucas Dixon, Mariana Felix, Martin Wattenberg, Matin Akhlaghinia, Richard Green, Yosuke Ushigome, 그리고 Yunhan Xu 는 많은 다른 사람들과의 지원을 받아 AlphaEvolve UI 를 개발하기 위해 우리 팀과 협력했습니다.

Anant Nawalgaria, Diego Ballesteros, Gemma Jennings, Jakob Oesinghaus, Kartik Sanu, Laurynas Tamulevičius, Nicolas Stroppa, Nishta Dhawan, Oliver Hilsenbeck, Reah Miyara, Skander Hannachi, Tom Beyer, 그리고 Vishal Agarwal 은 많은 다른 사람들과의 지원을 받아 AlphaEvolve API 를 개발하고 Google Cloud 고객과 소통하기 위해 우리 팀과 협력했습니다.

우리는 AlphaEvolve 의 중요한 문제들에 대한 주요 응용 프로그램을 이끌고 이 보고서를 기여한 협력자들을 감사드립니다: Aaron Wenger, Abhradeep Guha Thakurta, Akanksha Jain, Alex Vitvitskyi, Amir Yazdan Bakhsh, Andrew Carroll, Aranyak Mehta, Arthur Conmy, Ansh Nagda, Davide Paglieri, Eric Perim Martins, Hassler Thurston, Hongzheng Chen, Jack Mason, János Kramár, Jeremy Ratcliff, Jessica Sapick, Johannes Bausch, Jonathan Katz, Kevin Miller, Kim Stachenfeld, Mark Kurzeja, Mircea Trofin, Myriam Khan, Nero Geng, Pablo Samuel Castro, Petar Veličković, Pi-Chuan Chang, Prabhakar Raghavan, Raghav Gupta, Rohin Shah, Sasha Vezhnevets, Sébastien Lahaie, Sergio Guadarrama, Shravya Shetty, Shruthi Gorantala, Terence Tao, Todd Lipcon, Tom O'Brien, Vinod Nair, Ziyue Wang, Zun Li, 그리고 많은 AlphaEvolve 사용자들.

마지막으로, 우리는 Amin Vahdat, Ankur Jain, Demis Hassabis, Jeff Dean, Parthasarathy Ranganathan, Pushmeet Kohli, Saurabh Tiwary, 그리고 Sundar Pichai 의 지도와 지원에 감사드립니다. 또한 AlphaEvolve 로 구동되는 응용 프로그램과 제품을 가능하게 한 Google DeepMind, Google Cloud, Google Labs, Google Research, 그리고 다른 제품 영역의 파트너 팀들에게도 감사를 표합니다.