• Googles AI-system AlphaEvolve har minskat felen i DNA-analys med 30 procent och gett mer exakta data till forskare.
• Inom elnät ökade systemet andelen användbara lösningar från 14 till över 88 procent.
• Företag som Klarna, FM Logistic och Schrödinger använder nu tekniken för att snabba upp sina modeller och processer.

Warp News berättade för ett år sedan om AlphaEvolve, ett AI-system från Google DeepMind som hittar nya algoritmer inom matematik och datavetenskap. Nu redovisar Google vad systemet har åstadkommit under det gångna året, inom allt från genforskning till elnät och databehandling.

Resultat inom hälsa och miljö

Inom genforskning användes AlphaEvolve för att förbättra DeepConsensus, en modell som rättar fel i DNA-sekvensering. Felen i variantdetektion minskade med 30 procent. Det ger forskare hos PacBio mer exakta data till lägre kostnad.

Inom elnät tillämpades systemet på problemet AC Optimal Power Flow. Andelen användbara lösningar som en tränad modell kunde hitta ökade från 14 procent till över 88 procent. Det minskar behovet av dyra efterbearbetningssteg.

Inom geovetenskap förbättrade AlphaEvolve modeller som förutsäger risken för naturkatastrofer. Träffsäkerheten ökade med 5 procent, sammanlagt över 20 kategorier som skogsbränder, översvämningar och tornados.

Matematik och fysik

På Googles kvantprocessor Willow föreslog AlphaEvolve kvantkretsar med tio gånger lägre felmarginal än tidigare metoder. Det gjorde det möjligt att köra komplexa molekylsimuleringar.

Systemet har också arbetat med matematiker som Terence Tao vid UCLA och bidragit till att lösa så kallade Erdős-problem. Det har förbättrat tidigare gränsvärden för handelsresandeproblemet och för Ramseytal.

Egen infrastruktur och företag

AlphaEvolve har gått från test till att bli en fast del av Googles infrastruktur. Det har använts för att utforma nästa generation av Googles AI-chip, TPU. Systemet hittade också effektivare metoder för cachehantering på två dagar, ett arbete som tidigare tog månader. I databasen Spanner minskade det mängden onödig skrivning till lagring med 20 procent.

Flera företag använder nu tekniken. Klarna dubblade träningshastigheten för en av sina största modeller. FM Logistic förbättrade sin ruttplanering med 10,4 procent och sparar över 15 000 kilometer körsträcka per år. Schrödinger uppnådde ungefär fyra gånger snabbare beräkningar inom materialforskning och läkemedelsutveckling.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.