AlphaEvolve: 여러 분야로 영향력을 확장하는 Gemini 기반 코딩 에이전트

3 days ago 6

AlphaEvolve는 Gemini 기반 코딩 에이전트로, 고급 알고리듬 설계에서 출발해 수학·컴퓨터 과학의 공개 문제, Google 인프라 최적화, 과학·산업 과제로 적용 범위를 넓힘
유전체학에서는 DeepConsensus를 개선해 변이 검출 오류를 30% 감소시켰고, 전력망에서는 AC Optimal Power Flow 문제의 실행 가능한 해 발견 비율을 14%에서 88% 이상으로 높이는 데 기여함
지구과학에서는 Earth AI 모델 최적화를 자동화해 산불·홍수·토네이도 등 20개 범주의 자연재해 위험 예측 전체 정확도를 5% 향상시켰고, 양자 물리에서는 Willow quantum processor에서 기존 기준선보다 오류가 10배 낮은 양자 회로를 제안함
수학에서는 Terence Tao와 함께 Erdős 문제 해결에 기여했고, Traveling Salesman Problem과 Ramsey Numbers의 하한 개선, 해석 가능한 신경과학 모델·미시경제학·암호학·합성 데이터·AI 안전 완화책에도 사용됨
Google 인프라에서는 차세대 TPU 설계, 캐시 교체 정책, Google Spanner의 LSM-tree 컴팩션 휴리스틱, 컴파일러 최적화에 쓰였고, 상용 적용에서는 Klarna의 학습 속도 2배, FM Logistic의 경로 효율 10.4% 개선, Schrödinger의 MLFF 학습·추론 약 4배 속도 향상을 달성함

사회적 영향과 지속가능성

유전체학
- AlphaEvolve는 Google Research가 개발한 DNA 시퀀싱 오류 보정 모델 DeepConsensus를 개선하는 데 사용돼 변이 검출 오류를 30% 감소시킴
- 이 개선은 PacBio의 과학자들이 유전 데이터를 더 정확하고 낮은 비용으로 분석하는 데 도움을 줌
- PacBio의 Aaron Wenger는 AlphaEvolve로 발견한 해법이 시퀀싱 장비의 정확도를 의미 있게 높이며, 연구자들이 더 높은 품질의 데이터로 이전에 숨겨져 있던 질병 유발 돌연변이를 발견할 수 있을 것이라고 밝힘
전력망 최적화
- AlphaEvolve는 AC Optimal Power Flow problem에 적용됨
- 학습된 Graph Neural Network(GNN) 모델이 해당 문제의 실행 가능한 해를 찾는 비율을 14%에서 88% 이상으로 높이는 데 기여함
- 이 결과로 전력망에서 비용이 큰 후처리 단계의 필요성이 크게 줄어듦
지구과학
- AlphaEvolve는 복잡한 지리공간 데이터를 더 신뢰할 수 있고 실행 가능한 통찰로 변환하는 데 사용됨
- Earth AI 모델 최적화를 자동화해, 산불·홍수·토네이도 등 20개 범주를 집계한 자연재해 위험 예측의 전체 정확도를 5% 향상시킴

연구 최전선의 진전

양자 물리
- AlphaEvolve의 최적화는 Google의 Willow quantum processor에서 복잡한 분자 시뮬레이션을 실행할 수 있게 함
- 기존의 통상적 최적화 기준선보다 오류가 10배 낮은 양자 회로를 제안해, 최초 유형의 양자 컴퓨팅 실험 시연에 즉각 기여함
- 이 성과는 AlphaEvolve가 고전 컴퓨터의 능력을 넘어서는 알고리듬을 찾는 미래로 이어질 수 있음을 보여줌
수학
- AlphaEvolve는 Terence Tao 같은 수학자들과 함께 Erdős 문제 해결에 기여함
- Terence Tao는 AlphaEvolve 같은 도구가 특히 최적화 문제에서 잠재적 부등식의 반례를 빠르게 테스트하거나 극값 대상에 대한 믿음을 확인하게 해 직관을 크게 개선하고 엄밀한 증명을 더 쉽게 찾게 한다고 밝힘
- AlphaEvolve는 Traveling Salesman Problem과 Ramsey Numbers 같은 고전적 수학 과제의 하한을 개선하며 기록을 경신함
다른 연구 분야
- AlphaEvolve의 자율 발견 능력은 여러 분야에서 병렬 혁신을 이끌고 있음
- 해석 가능한 신경과학 모델 발견, 미시경제학의 새로운 시장 한계 증명, 신경망 구성 요소 발전에 사용됨
- 사용자 프라이버시를 위한 암호학, 합성 데이터 생성, 프런티어 AI 모델을 위한 핵심 안전 완화책에도 적용됨
- AlphaEvolve가 “Tammes problem” 인스턴스를 최적화한 예시와 추가 문제의 잠재적 해법은 공개 Gallery에서 확인 가능함

AI 인프라 개선

AlphaEvolve는 파일럿 테스트를 넘어 Google 인프라의 핵심 구성요소가 됨
TPU 차세대 설계를 최적화하는 정규 도구로 사용됨
더 효율적인 캐시 교체 정책을 발견해, 이전에는 사람의 집중적 노력이 수개월 필요했던 작업을 이틀 만에 달성함
Jeff Dean은 AlphaEvolve가 AI 스택을 구동하는 하드웨어의 최저 수준을 최적화하기 시작했으며, 직관에 반하지만 효율적인 회로 설계를 제안해 차세대 TPU 실리콘에 직접 통합됐다고 밝힘
AlphaEvolve는 Google Spanner의 Log-Structured Merge-tree 컴팩션 휴리스틱을 개선해 효율을 높임
이 최적화는 원래 요청 대비 스토리지에 기록되는 데이터 비율인 쓰기 증폭(write amplification) 을 20% 감소시킴
AlphaEvolve는 소프트웨어의 저장 공간 사용량을 거의 9% 줄인 새 컴파일러 최적화 전략에 대한 통찰도 제공함

상용 적용 확대

Google Cloud와 함께 AlphaEvolve를 여러 산업의 상용 기업에 제공하고 있음
금융 서비스 분야에서 Klarna는 AlphaEvolve를 사용해 자사의 대형 transformer 모델 중 하나를 최적화했고, 모델 품질을 개선하면서 학습 속도를 2배로 높임
반도체 제조 분야에서 Substrate는 AlphaEvolve를 계산 리소그래피 프레임워크에 적용해 런타임 속도를 여러 배 높였고, 더 큰 규모의 첨단 반도체 시뮬레이션을 실행할 수 있게 됨
물류 분야에서 FM Logistic은 Traveling Salesman Problem 같은 복잡한 경로 문제를 최적화해, 기존에 강하게 최적화된 해법 대비 경로 효율을 10.4% 개선하고 연간 15,000km 이상의 이동 거리를 절감함
광고·마케팅 분야에서 WPP는 AlphaEvolve로 AI 모델 구성요소를 정제하고 복잡한 고차원 캠페인 데이터를 다뤄, 경쟁력 있는 수동 모델 최적화 대비 정확도를 10% 향상시킴
계산 재료·생명과학 분야에서 Schrödinger는 AlphaEvolve를 적용해 Machine Learned Force Fields(MLFF) 학습과 추론 모두에서 약 4배 속도 향상을 달성함
Schrödinger의 Gabriel Marques는 더 빠른 MLFF 추론이 신약 발견, 촉매 설계, 재료 개발의 R&D 주기를 줄이고 기업이 분자 후보를 수개월이 아니라 며칠 만에 선별하게 해 실질적 사업 영향을 낸다고 밝힘