コードの生成と自動評価を繰り返すアルゴリズム探索AIが、Googleの基盤設計に定着した。Google DeepMindによると、AlphaEvolveは次世代TPUの設計最適化に常用され、データベースの書き込み増幅削減にも成果を上げている。
実行して採点したコードを次の生成へ渡す
Google DeepMindが開発したアルゴリズム探索エージェントAlphaEvolveは、AIモデル群Geminiによるコード生成と自動評価を組み合わせる。生成したプログラムを検証・実行・採点し、その結果を候補の選択に使う。
評価したプログラムはデータベースへ保存され、進化的アルゴリズムが後続のプロンプトに使う候補を決める。選ばれたコードを次の生成へ引き継ぐことで、有望な案を繰り返し改良する仕組みだ。
回路の変更提案からTPU設計の常用ツールへ
この探索を回路設計へ適用した例として、Google DeepMindは2025年、行列乗算用回路の不要なビットを取り除く変更を示していた。AlphaEvolveはハードウェア記述言語Verilogの書き換えを提案し、その変更は開発中のAIアクセラレーターTPUへ組み込まれた。
今回、Google DeepMindは、AlphaEvolveを次世代TPUの設計最適化に常用していると説明した。利用段階についても、試験利用を卒業し、Googleの基盤の中核的な構成要素になったとしている。
Spannerのデータ整理を最適化し、書き込み増幅を削減
最適化の対象は回路だけではない。Google DeepMindによると、データベースサービスGoogle Spannerでは、Log-Structured Merge-treeのコンパクション、つまり蓄積したデータを整理・統合する処理の判断規則をAlphaEvolveが改善した。
この変更により、元の書き込み要求に対してストレージへ実際に書き込む量の比率である「書き込み増幅」が20%減少した。削減の対象はこの比率であり、データベース全体の処理速度を示す数値ではない。
キャッシュ方針の探索期間とソフトウェア容量も縮小
Google DeepMindによると、より効率的なキャッシュ置換方針の探索では、従来は人手を集中的に投入して数カ月かけていた作業をAlphaEvolveが2日で達成した。この比較が示すのは方針を見つけるまでの期間であり、キャッシュ自体の実行速度ではない。
コンパイラの最適化でも、AlphaEvolveがもたらした知見が新しい戦略につながった。その戦略によって、ソフトウェアの保存容量を約9%削減したとしている。