AlphaEvolve : l'agent alimenté par Gemini de DeepMind optimise les algorithmes dans les domaines de la génomique, des réseaux électriques et des circuits TPC

Google DeepMind a partagé une mise à jour sur AlphaEvolve, leur agent de codage alimenté par Gemini pour la conception d'algorithmes. Initialement présenté il y a un an, il est désormais appliqué dans les domaines de la génomique, de l'optimisation des réseaux électriques, des sciences de la Terre, de l'informatique quantique, des mathématiques et des infrastructures d'IA.

Résultats clés de la source

• Génomique : AlphaEvolve a amélioré DeepConsensus (le modèle de correction d'erreurs de séquençage ADN de Google) en obtenant une réduction de 30 % des erreurs de détection des variants. PacBio rapporte une précision accrue pour les instruments de séquençage, ce qui pourrait permettre la découverte de mutations pathogènes jusqu'alors cachées.
• Optimisation des réseaux : Appliqué au problème AC Optimal Power Flow, il a augmenté le taux de faisabilité d'un modèle GNN entraîné de 14 % à plus de 88 %, réduisant les coûteuses étapes de post-traitement pour les réseaux électriques.
• Sciences de la Terre : L'optimisation automatisée des modèles d'IA terrestres a amélioré la précision des prévisions de risques de catastrophes naturelles (feux de forêt, inondations, tornades) de 5 % dans 20 catégories.
• Physique quantique : Des circuits quantiques suggérés pour le processeur Willow de Google avec une erreur 10 fois inférieure par rapport aux références conventionnelles, permettant des démonstrations expérimentales inédites.
• Mathématiques : En collaboration avec Terence Tao, AlphaEvolve a aidé à résoudre des problèmes d'Erdős, amélioré les bornes inférieures pour le problème du voyageur de commerce et les nombres de Ramsey, et contribué au problème de Tammes (exemple d'optimisation présenté dans la galerie).
• Infrastructure : Optimisation des conceptions de TPU de nouvelle génération et découverte de politiques de remplacement de cache plus efficaces en deux jours — des tâches qui nécessitaient auparavant des mois de travail humain.
• Autres domaines : Découverte de modèles interprétables en neurosciences, preuve de limites de marché en microéconomie, avancées dans les blocs de construction de réseaux neuronaux, cryptographie, génération de données synthétiques et atténuations de sécurité pour les modèles d'IA de pointe.

À qui cela s'adresse

Développeurs et chercheurs construisant des pipelines d'optimisation basés sur l'IA ou travaillant sur la découverte d'algorithmes en calcul scientifique, conception matérielle ou infrastructures à grande échelle.