ألفا إيفولف: ثورة الذكاء الاصطناعي في اكتشاف الخوارزميات وتحسينها

يُعد تصميم الخوارزميات واكتشاف الحلول العلمية عملية دقيقة تتطلب دورة متكررة من الاستكشاف واختبار الفرضيات والتحسين والتحقق. تقليديًا، تعتمد هذه العمليات بشكل كبير على الحدس الخبير والتكرار اليدوي، خاصةً للمشكلات المتجذرة في التوافقيات، والتحسين، والإنشاء الرياضي. في حين أظهرت نماذج اللغات الكبيرة (LLMs) مؤخرًا وعدًا في تسريع إنشاء الشفرة وحل المشكلات، إلا أن قدرتها على توليد خوارزميات صحيحة وقابلة للتحقق منها، وأفضل من حيث الحساب، لا تزال محدودة، خاصةً عندما يجب أن تتعمم الحلول عبر حالات استخدام متنوعة أو توفر أداءً على مستوى الإنتاج.

ألفا إيفولف: وكيل ترميز مدعوم من جيميني

للتغلب على هذه القيود، كشفت جوجل ديب مايند النقاب عن ألفا إيفولف، وهو وكيل ترميز من الجيل التالي مدعوم بنماذج اللغات الكبيرة جيميني 2.0. صُمّم ألفا إيفولف لأتمتة عملية اكتشاف الخوارزميات باستخدام اندماج جديد بين نماذج اللغات واسعة النطاق، وتقييم البرامج الآلي، والحساب التطوري.

على عكس مساعدي الترميز التقليديين، يعيد ألفا إيفولف كتابة وتحسين شفرة الخوارزميات بشكل مستقل من خلال التعلم من حلقة تغذية راجعة منظمة – اقتراح حلول مرشحة جديدة وتقييمها وتطويرها بشكل متكرر بمرور الوقت. يُنسق ألفا إيفولف خط أنابيب حيث تقوم نماذج اللغات الكبيرة بتوليد طفرات في البرنامج تستند إلى حلول عالية الأداء سابقة، بينما تُعيّن أدوات التقييم الآلي درجات الأداء. تُدفع هذه الدرجات عملية تحسين مستمرة.

يُبنى ألفا إيفولف على أنظمة سابقة مثل FunSearch، ولكنه يوسع نطاقها بشكل كبير – معالجة قواعد بيانات كاملة بالكامل بلغات متعددة والتحسين لأهداف متعددة في وقت واحد.

بنية النظام والمزايا التقنية

تجمع بنية ألفا إيفولف بين مكونات متعددة في نظام غير متزامن وموزع:

• إنشاء المطالبات: تجمع عينة المطالبات باستخدام الحلول عالية الدرجات السابقة، أو السياق الرياضي، أو بنية الشفرة.
• مجموعة نماذج اللغات الكبيرة: يمكّن المزيج من جيميني 2.0 برو وجيميني 2.0 فلاش من تحقيق التوازن بين الرؤية عالية الجودة واستكشاف الأفكار السريع.
• إطار التقييم: تُستخدم دوال التسجيل المخصصة لتقييم أداء الخوارزميات بشكل منهجي بناءً على مقاييس محددة مسبقًا، مما يُمكّن من المقارنة الشفافة والقابلية للتوسع.
• الحلقة التطورية: يحتفظ ألفا إيفولف بقاعدة بيانات للبرامج السابقة وبيانات الأداء، التي يستخدمها لإعلام أجيال جديدة من الشفرة، مع تحقيق التوازن بين الاستكشاف والاستغلال.

تكمن إحدى نقاط القوة التقنية الرئيسية في مرونة ألفا إيفولف. يمكنه تطوير برامج كاملة، ودعم التحسين متعدد الأهداف، والتكيف مع تجريدات المشكلات المختلفة – سواء كان ذلك تطوير دوال البناء، أو تقنيات البحث، أو خطوط أنابيب التحسين بأكملها. هذه القدرة مفيدة بشكل خاص للمشكلات التي يمكن قياس التقدم فيها آليًا، مثل ضرب المصفوفات أو جدولة مراكز البيانات.

النتائج والتطبيقات في العالم الحقيقي

أظهر ألفا إيفولف أداءً قويًا عبر المجالات النظرية والتطبيقية:

• ضرب المصفوفات: اكتشف ألفا إيفولف 14 خوارزمية جديدة منخفضة الرتبة لضرب المصفوفات. والأكثر لفتًا للانتباه، أنه وجد طريقة لضرب مصفوفات مركبة 4 × 4 باستخدام 48 عملية ضرب قياسية – متجاوزًا حد 49 عملية ضرب الذي وضعه خوارزمية ستراسن في عام 1969.
• اكتشاف رياضي: عند تطبيقه على أكثر من 50 مشكلة رياضية – بما في ذلك مشكلة أردوس للحد الأدنى للتداخل ومشكلة عدد التقبيل في 11 بعدًا – طابق ألفا إيفولف الإنشاءات الحالية الأحدث في حوالي 75٪ من الحالات، وتفوق عليها في حوالي 20٪، وكل ذلك مع الحد الأدنى من الصناعة اليدوية للخبراء.
• تحسين البنية التحتية في جوجل:
  • جدولة مراكز البيانات: أنتج ألفا إيفولف تقنية جدولة حسّنت كفاءة الموارد عبر أسطول الحوسبة العالمي لجوجل، واستعادت 0.7٪ من سعة الحوسبة المتروكة – وهو ما يعادل مئات الآلاف من الأجهزة.
  • هندسة النواة لجيميني: أدت تقنيات التجزئة المُحسّنة إلى زيادة سرعة كفاءة ضرب المصفوفات بنسبة 23٪، مما قلل من إجمالي وقت تدريب جيميني بنسبة 1٪.
  • تصميم الأجهزة: اقترح ألفا إيفولف تحسينات على مستوى Verilog لدوائر الحساب TPU، مما ساهم في تقليل المساحة والطاقة دون المساومة على الصحة.
  • تحسين مستوى المُجمع: من خلال تعديل التمثيلات الوسيطة المُولدة من المُجمع XLA لنواة الانتباه، حقق ألفا إيفولف تحسينًا في أداء تنفيذ FlashAttention بنسبة 32٪.

تُبرز هذه النتائج عمومية ألفا إيفولف وتأثيره – حيث نجح في اكتشاف خوارزميات جديدة ونشرها في بيئات على مستوى الإنتاج.

الخاتمة

يمثل ألفا إيفولف قفزة كبيرة إلى الأمام في الاكتشاف العلمي والرياضي بمساعدة الذكاء الاصطناعي. من خلال دمج نماذج اللغات الكبيرة المدعومة من جيميني مع البحث التطوري والتقييم الآلي، يتجاوز ألفا إيفولف قيود الأنظمة السابقة – حيث يوفر محركًا عامًا قابلًا للتوسع قادرًا على اكتشاف خوارزميات عالية الأداء وقابلة للتحقق منها عبر مجالات متنوعة. يُشير نشره داخل بنية جوجل التحتية – وقدرته على التحسين على كل من الحدود النظرية والأنظمة الواقعية – إلى مستقبل لا يقتصر فيه دور وكلاء الذكاء الاصطناعي على المساعدة في تطوير البرمجيات، بل يساهمون بنشاط في التقدم العلمي وتحسين النظام.

المصدر: MarkTechPost