AlphaEvolve の概要

AlphaEvolve は、進化型の手法を使用して、アルゴリズムの発見、数学的検索、組み合わせ最適化のユースケースを解決する、特殊な AI コーディング エージェントです。特に、NP 完全または NP 困難な最適化問題のカテゴリに分類されるユースケースに適しています。

AlphaEvolve は、解決する必要があるアルゴリズムの発見や組み合わせ検索のユースケースを定義する、特定のプログラミング言語のコードブロックを主な入力として受け取ります。入力コードは機能的に正しい必要がありますが、ユーザー指定の一連の評価指標で定義された特定のグローバル（非機能）パフォーマンス基準を満たすために最適化が必要です。

エージェントは、最先端の進化的ヒューリスティックを使用して、考えられるすべてのアルゴリズム設計の選択肢と数学的な決定変数の空間を探索します。これにより、AlphaEvolve は、ターゲットの最適化目標のパフォーマンスを段階的に向上させる新しいプログラムを特定できます。

AlphaEvolve は、ユースケースに必要な全体的な成果目標を満たす新しいソリューションが見つかるまで、候補プログラムの複数の世代にわたってこのヒューリスティックを繰り返し実行します。

AlphaEvolve を使用すべきでない場合

AlphaEvolve は、次のシナリオでは使用できません。

• 基本的なコード生成: AlphaEvolve は、Gemini CLI やコーディング アシスタントなどの汎用デベロッパー アシスタントではありません。純粋な自然言語の説明や、不完全で機能しないコードを受け取って、ベースラインの機能コードを出力することはありません。
• リンティングとコードスタイル: AlphaEvolve は、ソフトウェア エンジニアリングのベスト プラクティスや標準的なリンティングに沿ってコードをクリーンアップするような、基本的なコード最適化を目的としたものではありません。

AlphaEvolve は、コードの最適化に革新的な新しい設計と実行グラフが必要なシナリオ向けに特別に設計されています。これは、すべての候補が機能的に正しいものの、必要なグローバル パフォーマンス基準を満たすのは一部のみである、可能なソリューションの非常に大きな構成空間を検索するように構築されています。

最適化ソルバーとヒューリスティックのスペクトル

次の表は、従来の最適化ソルバーとヒューリスティックに対する AlphaEvolve の位置付けを示しています。

ソルバーのカテゴリ	ソルバーのカテゴリで通常対処される問題の種類	アルゴリズムの例	AlphaEvolve を適用できるか？	AlphaEvolve の差別化機能
連続変数を使用した凸最適化手法	線形計画法 二次計画法 非線形計画法 非凸最適化	シンプレックス法 内点法	適さない。 既存のアルゴリズムは正確なソリューションを提供し、AE よりも優れたパフォーマンスを発揮する可能性があります。
勾配ベースの手法		勾配降下法（SGD と関連するアプローチ） 準ニュートン法（BFGS、L-BFGS）
数理計画法と形式手法（「従来」の OR 手法）	整数計画法 混合整数線形計画法 制約充足問題	KKT ベースの手法 制約緩和（アルゴリズム自体ではなく、複数のアルゴリズムで使用されるメソッド） 双対性とラグランジアンに基づくアプローチ 分枝限定法 分枝切除法	該当する可能性があります。 また、AE は、既存のツールを拡張または調整する方法として使用できます。
メタヒューリスティック検索方法	不規則な目的関数や微分不可能な目的関数に関する問題。 オンライン最適化問題	遺伝的アルゴリズム 進化型検索 焼きなまし法 粒子群最適化	該当する可能性があります。 また、AE は、既存のツールを拡張または調整する方法として使用できます。
ベイズ最適化	不明な目的関数または不透明なボックスの目的関数の問題。 ML パイプラインのチューニング	ガウス過程ベース ツリーベース（TPE、SMAC）	非常に当てはまる。
LLM + メタヒューリスティック検索ベースのエージェント	コードとアルゴリズムの最適化のユースケース 非構造化 / セマンティック検索空間に関する問題（一連の離散決定変数に分割できない） オプティマイザーのユースケースを最適化する	AlphaEvolve FunSearch（従来版）	間違いなく該当する。 （直接的な最適化手法として、または既存のベイズ最適化アプローチを改善する方法として）