AlphaEvolve：Gemini を搭載したコーディングエージェントが分野全体での影響を拡大
Google は Gemini を基盤としたコーディングエージェント「AlphaEvolve」のアップデートを発表し、数学や物理学における未解決問題の解決支援を通じて、科学界とビジネスへの影響拡大を図っている。
キーポイント
Gemini 搭載の高度なアルゴリズム設計能力
AlphaEvolve は Gemini を基盤としており、数学やコンピュータサイエンスにおける未解決問題に対する新しい発見を支援する高度なアルゴリズム設計が可能である。
物理学の自然現象解明への応用拡大
今回のアップデートにより、エージェントは自然科学の物理法則を説明・解析する能力を獲得し、科学者や企業の研究開発プロセスを加速させる役割を果たす。
学術と産業への具体的なインパクト
記事では、AlphaEvolve が特定の分野で達成した顕著な成果と、それがもたらした実社会への影響について詳述されている。
影響分析・編集コメントを表示
影響分析
この発表は、AI エージェントが単なるコード生成ツールから、数学や物理学といった基礎科学領域における「共同研究者」としての役割を担い始めたことを示唆しています。Gemini の推論能力を活用することで、人間が直面する未解決問題へのアプローチ方法に革新をもたらす可能性があり、科学研究のパラダイムシフトを加速させる重要な一歩と言えます。
編集コメント
AI が基礎科学の未解決問題に直接介入し、新発見を支援する段階に入ったことを示す画期的な事例です。コード生成から推論・発見へと役割が拡張される中、Gemini の能力がどのように応用されているかに注目すべきでしょう。
2026 年 5 月 7 日 科学
AlphaEvolve チーム
1 年前、私たちは AlphaEvolve を紹介しました。これは高度なアルゴリズムを設計するための Gemini パワー型コーディングエージェントです。私たちは AlphaEvolve が、数学やコンピュータサイエンスにおける未解決問題に対する新たな発見を支援し、その後の Google の重要インフラ全体に展開されたアルゴリズムの最適化にも貢献できることを示しました。
今日では、アルゴリズムが生活のほぼすべての側面に関わっているため、AlphaEvolve が達成可能な範囲はさらに広がっています。自然界の物理法則の解明から電力グリッドやコンピューティングインフラの稼働まで、AlphaEvolve は多様な分野における科学者や企業の進捗を加速させる無数の方法で貢献できます。
私たちは、これまでに AlphaEvolve がもたらした最も重要な影響の一覧をご紹介できることを嬉しく思います。
社会的インパクトと持続可能性への貢献
AlphaEvolve は、健康および持続可能性研究における重要な関連性を解明する手助けをしました。
ゲノム学において、AlphaEvolve は DeepConsensus の改善に活用されました。これは Google Research が開発した DNA 配列エラーを修正するためのモデルであり、変異検出エラーを 30% 削減することに成功しました。これらの改良により、PacBio の科学者たちは、遺伝子データをより正確かつ低コストで分析できるようになっています。
*「Google チームが AlphaEvolve を用いて発見したソリューションは、当社の配列装置において意味のある高い精度率を実現します。研究者にとっては、この高品質なデータが、これまで隠れていた疾患原因変異の発見を可能にするかもしれません。」* — Aaron Wenger, PacBio シニアディレクター
グリッド最適化においては、AlphaEvolve が AC 最適電力潮流問題 に適用されました。これにより、訓練済みのグラフニューラルネットワーク（GNN）モデルが、この問題に対して実行可能な解を見つける能力を 14% から 88% 以上に向上させ、電力グリッドにおける他の高コストな後処理ステップの必要性を大幅に削減しました。
地球科学において、AlphaEvolve は複雑な地理空間データをより信頼性の高い、実行可能な洞察へと変換しました。Earth AI モデルの最適化を自動化するのを支援することで、山火事、洪水、竜巻など 20 のカテゴリにわたって集計された自然災害リスク予測の全体的な精度が 5% 向上しました。
研究の最前線の拡大
AlphaEvolve は強力な研究パートナーとして機能し、科学全体における発見を加速しています。
量子物理学において、AlphaEvolve の最適化により、Google の Willow 量子プロセッサ上で複雑な分子シミュレーションを実行することが可能になりました。これは、従来の従来型の最適化ベースラインと比較してエラーが 10 分の 1 に抑えられた量子回路を提案することによって実現されたものです。これにより、量子コンピューティングの初の実験的デモンストレーションに対する即座に影響力のある貢献が可能となり、古典コンピュータの能力を超えるアルゴリズムを見つける際に AlphaEvolve が役立つ未来への道筋を示しています。
テレンス・タオ氏のような世界的に著名な数学者と協力し、このシステムは エルデシュ問題 の解決にも貢献しました。
「AlphaEvolve のようなツールは、数学者に非常に有用な新たな能力をもたらしています。特に最適化問題においては、反例となる可能性のある不等式を迅速にテストしたり、極値を与える対象に関する信念を確認したりすることが可能になり、これらの問題に対する直観が大幅に向上し、厳密な証明をより容易に見つけることができるようになりました。」— UCLA 数学教授 テレンス・タオ氏
AlphaEvolve はまた、古典的な数学的課題においても記録を更新しており、巡回セールスマン問題 の下限値の改善や ラムゼイ数 に関する成果を上げています。
AlphaEvolve は「タムス問題」のインスタンスに対して最適化を行っています。AlphaEvolve が潜在的な解決策を生成した追加の問題群については、公開されている ギャラリー で閲覧可能です。
AI インフラストラクチャの改善
AlphaEvolve はパイロットテストから卒業し、当社のインフラストラクチャの中核コンポーネントへと成長しました。AlphaEvolve は次世代 TPU の設計最適化に定期的に使用されるツールとなっています。また、より効率的な キャッシュ置換ポリシー の発見にも貢献し、従来は数ヶ月にわたる集中的で人的リソースを要する取り組みが必要だったものを、わずか 2 日で達成しました。
「AlphaEvolve は、AI スタックを支えるハードウェアの最下位レベルの最適化を開始しました。提案された回路設計は直感に反するものながら極めて効率的であり、次世代 TPU のシリコンに直接統合されました。これは、TPU の脳が次世代 TPU の体を設計する最新事例です。」— ジェフ・ディーン氏、Google DeepMind 及び Google Research 首席科学者
AlphaEvolve は、Google Spanner の Log-Structured Merge-tree（ログ構造型マージツリー）のコンパクションヒューリスティックを改良することで効率を向上させました。この最適化により、ストレージへの書き込み量と元の要求量の比率である「ライト増幅」が 20% 削減されました。また、ソフトウェアのストレージフットプリントをほぼ 9% 削減する 新しいコンパイラ最適化戦略 に関する洞察も提供しました。
コマーシャルアプリケーションのスケーリング
Google Cloud と共に、私たちは現在、AlphaEvolve の力を業界を問わず多様なコマーシャル企業に提供し始めています。
- 金融サービス分野では、Klarna が本システムを用いて、同社最大のトランスフォーマーモデルの最適化を行い、トレーニング速度を倍増させながらモデル品質も向上させました。
- 半導体製造分野では、Substrate が AlphaEvolve を計算リソグラフィフレームワークに適用し、実行時間を数倍短縮。これにより、高度な半導体の大幅に大規模なシミュレーションを実行可能となりました。
- ロジスティクス分野では、FM Logistic が本技術を用いて、セールスマン問題のような複雑な経路最適化課題を解決。既存の高度に最適化されたソリューションと比較して経路効率を 10.4% 向上させ、年間走行距離で 15,000 キロメートル以上の削減を実現しました。
- 広告・マーケティング分野では、WPP が AlphaEvolve を用いて AI モデルコンポーネントの精査を行い、複雑で高次元のキャンペーンデータを処理。競合他社の手動モデル最適化と比較して精度を 10% 向上させました。
- 計算材料科学および生命科学分野では、Schrödinger が AlphaEvolve を適用し、機械学習力場（Machine Learned Force Fields: MLFF）のトレーニングと推論の両方で約 4 倍の高速化を達成しました。
*「AlphaEvolve は、これまで以上に迅速かつ効率的に広大な化学空間を探査することを可能にします。MLFF の推論速度向上は、創薬、触媒設計、材料開発における研究開発サイクルの短縮という実務的なビジネスインパクトをもたらすものであり、企業が生体分子候補を数ヶ月ではなく数日でスクリーニングできるようになります。」* — Schrödinger 機械学習部門技術責任者 Gabriel Marques
AlphaEvolve の未来
過去1年間、AlphaEvolve がどのように急速に多用途かつ汎用的なシステムへと進化してきたかが示されました。これは、次なるブレークスルーが、自らを学習・進化・最適化できるアルゴリズムによって推進されるものであることを実証しています。今後を見据え、私たちはこれらの機能を拡大し、この技術の力をより広範な外部課題に届けることに興奮を覚えています。
謝辞
AlphaEvolve は、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、および Pushmeet Kohli によって開発されました。この研究は、アルゴリズム発見に AI を活用することに焦点を当てたより広範なイニシアチブの一環として進められました。初期の開発完了後、Alexey Cherepanov, Anindya Basu, Becky Evangelakos, Jamie Smith、および Mario Pinto がチームに加わり、AlphaEvolve の影響力の拡大に取り組んでいます。
Adam Connors, Alex Bäuerle, Anna Trostanetski, Fernanda Viegas, Gabi Cardoso, Jonathan Caton, Lucas Dixon, Mariana Felix, Martin Wattenberg, Matin Akhlaghinia, Richard Green, Yosuke Ushigome、および Yunhan Xu は、多くの他の支援者と共に協力し、AlphaEvolve の UI 開発を行いました。
Anant Nawalgaria, Diego Ballesteros, Gemma Jennings, Jakob Oesinghaus, Kartik Sanu, Laurynas Tamulevičius, Nicolas Stroppa, Nishta Dhawan, Oliver Hilsenbeck, Reah Miyara, Skander Hannachi, Tom Beyer, Vishal Agarwal は、私たちのチームと協力して AlphaEvolve API の開発および Google Cloud の顧客との関与に取り組み、多くの他の人々の支援を受けました。
私たちは、AlphaEvolve を重要な問題への応用で主導し、本報告書に貢献した協力者たちに感謝します：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、および AlphaEvolve の多くの他のユーザー。
最後に、指導と支援を賜りましたリーダーシップの皆様に感謝申し上げます：Amin Vahdat 氏、Ankur Jain 氏、Demis Hassabis 氏、Jeff Dean 氏、Parthasarathy Ranganathan 氏、Pushmeet Kohli 氏、Saurabh Tiwary 氏、そして Sundar Pichai 氏です。また、AlphaEvolve によって支えられるアプリケーションや製品の実現を可能にした Google DeepMind、Google Cloud、Google Labs、Google Research、およびその他の製品部門に跨るパートナーチームの皆様にも心より感謝いたします。
原文を表示
May 7, 2026 Science
AlphaEvolve team
A year ago, we introduced AlphaEvolve, a Gemini-powered coding agent for designing advanced algorithms. We showed that AlphaEvolve can help make new discoveries on open problems across mathematics and computer science, and optimize algorithms that have since been deployed across critical parts of Google’s infrastructure.
Today, because algorithms are part of nearly every aspect of life, the landscape of what AlphaEvolve can achieve is even broader. From helping explain the physics of the natural world to powering electricity grids and computing infrastructure, there are countless ways AlphaEvolve can help accelerate progress for scientists and businesses across a variety of fields.
We’re excited to share a collection of AlphaEvolve’s most significant impact to date.
Driving social impact and sustainability
AlphaEvolve has helped uncover key connections in health and sustainability research.
In genomics, AlphaEvolve was used to improve DeepConsensus—a model developed by Google Research for correcting DNA sequencing errors— achieving a 30% reduction in variant detection errors. These improvements are helping scientists at PacBio analyze genetic data more accurately and at a lower cost.
*“The solution the Google team discovered using AlphaEvolve unlocks meaningfully higher accuracy rates for our sequencing instruments. For researchers, this higher-quality data might enable the discovery of previously hidden disease causing mutations.”* — Aaron Wenger, Senior Director at PacBio
In grid optimization, AlphaEvolve was applied to the AC Optimal Power Flow problem. It helped increase the ability of our trained Graph Neural Network (GNN) model to find feasible solutions for the problem from 14% to over 88%, significantly reducing the need for other costly post-processing steps for electricity grids.
In earth sciences, AlphaEvolve translated complex geospatial data into more reliable, actionable insights. By helping automate the optimization of Earth AI models, the overall accuracy of predicting the risk of natural disaster—aggregated across 20 categories such as wildfires, floods, and tornadoes—was increased by 5%.
Advancing the frontiers of research
AlphaEvolve is serving as a powerful research partner, accelerating discovery across the sciences.
In quantum physics, AlphaEvolve’s optimizations have made it possible to run complex molecular simulations on Google’s Willow quantum processor by suggesting quantum circuits with 10x lower error than previous conventionally optimized baselines. This has enabled immediate impactful contributions to first-of-a-kind experimental demonstrations of quantum computing — and it points toward a future where AlphaEvolve helps find algorithms that exceed the capabilities of classical computers.
Working with world-renowned mathematicians like Terence Tao, the system has helped solve Erdős problems.
*“Tools such as AlphaEvolve are giving mathematicians very useful new capabilities. For optimization problems in particular, we can now quickly test potential inequalities for counterexamples, or to confirm our beliefs in what the extremizers are, which greatly improves our intuition about these problems and allows us to find rigorous proofs more readily.” —* Terence Tao, Professor of Mathematics at UCLA
AlphaEvolve has also broken records for classic mathematical challenges, including improving lower bounds for the Traveling Salesman Problem and Ramsey Numbers.
AlphaEvolve optimizing an instance of the "Tammes problem". You can explore a selection of additional problems for which AlphaEvolve generated potential solutions in the public Gallery.
Improving AI infrastructure
AlphaEvolve has graduated from pilot testing to becoming a core component of our infrastructure. AlphaEvolve has been used as a regular tool to optimize the design of the next generation of TPUs. It also helped discover more efficient cache replacement policies, achieving in two days what previously required a concerted, human-intensive effort spanning months.
“*AlphaEvolve began optimizing the lowest levels of hardware powering our AI stacks. It proposed a circuit design so counterintuitive yet efficient that it was integrated directly into the silicon of our next-generation TPUs. This is the latest example of TPU brains helping design next-generation TPU bodies.*” — Jeff Dean, Chief Scientist, Google DeepMind and Google Research
AlphaEvolve improved the efficiency of Google Spanner by refining its Log-Structured Merge-tree compaction heuristics. This optimization reduced 'write amplification'—the ratio of data written to storage versus the original request—by 20%. It also provided insights for new compiler optimization strategies that reduced the storage footprint of software by nearly 9%.
Scaling commercial applications
Together with Google Cloud, we are now bringing the power of AlphaEvolve to a variety of commercial enterprises across industries.
- In financial services, Klarna used the system to optimize one of its largest transformer models — doubling its training speed whilst improving model quality.
- In semiconductor manufacturing, Substrate applied AlphaEvolve to its computational lithography framework, achieving a multi-fold increase in runtime speed, enabling them to run significantly larger simulations of advanced semiconductors.
- In logistics, FM Logistic used the technology to optimize complex routing challenges like the Traveling Salesman Problem, finding 10.4% improvement in routing efficiency over the previous heavily optimized solutions — saving over 15,000 kilometers of distance travelled annually.
- In advertising and marketing, WPP used AlphaEvolve to refine AI model components, navigating complex, high-dimensional campaign data and achieving 10% accuracy gains over their competitive manual model optimizations.
- In computational material and life sciences, Schrödinger applied AlphaEvolve to achieve a roughly 4x speedup in both Machine Learned Force Fields (MLFF) training and inference.
*“AlphaEvolve allows us to explore larger chemical spaces faster and more efficiently than ever before. Faster MLFF inference carries real business impact, shortening R&D cycles in drug discovery, catalyst design, and materials development, and enabling companies to screen molecular candidates in days rather than months.”* — Gabriel Marques, Technical Lead of Machine Learning at Schrödinger.
The future of AlphaEvolve
The past year shows how AlphaEvolve is rapidly becoming a versatile, general-purpose system. It is demonstrating that the next breakthroughs will be driven by algorithms that can learn, evolve and optimize themselves. As we look ahead, we are excited to expand these capabilities, and bring the power of this technology to an even broader set of external challenges.
Acknowledgements
AlphaEvolve was developed by 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, and Pushmeet Kohli. This research was developed as part of a broader initiative focused on using AI for algorithm discovery. Following the initial development, Alexey Cherepanov, Anindya Basu, Becky Evangelakos, Jamie Smith, and Mario Pinto joined the team to scale AlphaEvolve’s impact.
Adam Connors, Alex Bäuerle, Anna Trostanetski, Fernanda Viegas, Gabi Cardoso, Jonathan Caton, Lucas Dixon, Mariana Felix, Martin Wattenberg, Matin Akhlaghinia, Richard Green, Yosuke Ushigome, and Yunhan Xu collaborated with our team to develop the AlphaEvolve UI, with support from many others.
Anant Nawalgaria, Diego Ballesteros, Gemma Jennings, Jakob Oesinghaus, Kartik Sanu, Laurynas Tamulevičius, Nicolas Stroppa, Nishta Dhawan, Oliver Hilsenbeck, Reah Miyara, Skander Hannachi, Tom Beyer, and Vishal Agarwal collaborated with our team to develop the AlphaEvolve API and engage with Google Cloud customers, with support from many others.
We gratefully acknowledge our collaborators for leading applications of AlphaEvolve on critical problems and contributing to this report: 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, among many other users of AlphaEvolve.
Finally, we thank our leadership for their guidance and support: Amin Vahdat, Ankur Jain, Demis Hassabis, Jeff Dean, Parthasarathy Ranganathan, Pushmeet Kohli, Saurabh Tiwary, and Sundar Pichai. We also extend our gratitude to our partner teams across Google DeepMind, Google Cloud, Google Labs, Google Research, and other product areas for enabling the applications and products powered by AlphaEvolve.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み