次のステップ

Gemini Enterprise 環境が動作し、API アクセスが確認されたので、AlphaEvolve API を使用する準備が整いました。

AlphaEvolve リポジトリには、最初の AlphaEvolve テストの実行に役立つアセットとアーティファクトがいくつか用意されています。

  • AlphaEvolve スキル: コーディング アシスタントでこれらのスキルを使用して、AlphaEvolve テストのエンドツーエンドのワークフローを容易にします。

  • ユースケースのテストの例（コード）: 組み合わせ最適化、多目的信号処理、LLM ファインチューニングなど、さまざまな最適化の課題と AlphaEvolve のユースケースを網羅したサンプルコードをご覧ください。

  • Cluster Toolkit の例: Google Cloudでハイ パフォーマンス コンピューティング（HPC）、AI、ML のワークロードをデプロイするプロセスを簡素化します。これらの例は、評価者向けのカスタム コンテナのデプロイや、最適化されたアルゴリズムのコンパイルとサービングを加速させるのに役立ちます。

まず、AlphaEvolve リポジトリのクローンを作成するか、提供された TAR ファイルをダウンロードします。

エージェント開発のための AlphaEvolve スキル

AlphaEvolve スキルを使用すると、Antigravity などのエージェント コーディング アシスタントから AlphaEvolve テストを直接実行できます。これらのスキルを使用して、コーディング アシスタントは、実験の構成、進化ループの実行、進行状況のモニタリング、最適な結果をコードに統合するなど、AlphaEvolve ワークフロー全体をガイドします。

リポジトリには、6 つの特定の AlphaEvolve スキルが含まれており、それぞれに README.md ファイルと SKILLS.md ファイルが用意されています。

  • alpha_evolve_consultant
  • alpha_evolve_experiment_design
  • alpha_evolve_monitor
  • alpha_evolve_orchestrator
  • alpha_evolve_post_experiment
  • alpha_evolve_runner

現在の制限

  • Python のみ: スキルは、進化する Python コードのみをサポートします。

  • 単一のコードの場所: システムは、一度に 1 つのコードの場所を進化させるためにテストされます。複数のファイルからのコンテキストを含めることはできますが、複数の進化ブロックを同時に最適化することはまだ検証されていません。

用途

  1. Google Cloud CLI CLI で認証します。

    gcloud auth application-default login

コーディング アシスタントに AlphaEvolve を使用してコードを最適化するよう指示します。プロンプトの例を次に示します。

  • 「AlphaEvolve を使用して、このモデルのコードを最適化し、高速化してください。」

  • 「このスケジューリング関数のより優れたアルゴリズムを見つけるために、AlphaEvolve テストを設定します。」

  • 「この XYZ ベンチマークの収束を改善するために、この損失関数を進化させてください。」

アシスタントは、構成の手順を説明し、評価ループを実行して、最適な結果をコードベースに統合するのを支援します。

ワークフロー スキルに加えて、alpha_evolve_consultant スキルは AlphaEvolve の専門的な Q&A アシスタントとしても機能します。問題が AlphaEvolve に適しているかどうかを判断したり、評価関数の実装についてアドバイスしたり、ランタイム構成オプションについて説明したり、AlphaEvolve の公式リファレンス ガイドに基づいて問題をトラブルシューティングしたりできます。

AlphaEvolve のユースケース

AlphaEvolve リポジトリには、クライアントサイドの Python ライブラリと、use-cases フォルダ内のサンプル テストが含まれています。これらの厳選された例を始める前に、README ファイルを確認してください。

ユースケース / レベル 説明 コア: 学習の焦点
スタートガイド: 組み合わせ最適化（基本） 純粋な Python ヒューリスティックを進化させて、円を単位正方形に詰め込んだり、ローカルの exec() 評価を使用して最短の TSP ツアーを見つけたりできます。クラウド インフラストラクチャは不要です。 コアループの仕組み（シード プログラム → EVOLVE-BLOCK マーカー → 評価ツール → コントローラ）を学習し、ベースラインの反復的な改善を観察します。
多目的評価: 信号処理（中級） 5 つの非定常テスト信号にわたって 14 個を超える競合指標（平滑性、遅延、偽の反転、ノイズ低減など）に基づいて判断される適応型時系列フィルタを進化させます。 重み付けされた複合目標の設計、LLM 自己修正のための構造化された分析情報の返却、明示的なタイムアウトによる評価者の保護について学習します。
大規模なリモート評価: ML パイプライン（中級） Cloud Run のコンテナ化された評価ツールでスコアリングされた、完全な scikit-learn パイプライン（特徴エンジニアリングとモデル選択）を進化させます。 Dockerfile、cloudbuild.yaml、Terraform でプロビジョニングされた Artifact Registry / IAM リソースを使用して、リモート評価パターンを学習します。
本番環境の GPU インフラストラクチャ: LLM ファインチューニング（上級） GKE の永続的な RayCluster を使用して自動スケーリング L4 GPU でトレーニングされた関数呼び出しデータセットで、Gemma の LoRA ハイパーパラメータを進化させます。 費用管理と完全なオブザーバビリティを備えた本番環境のトレーニング インフラストラクチャに AlphaEvolve を接続する方法について説明します。

Google Cloud Batch（Cluster Toolkit を使用）

アルゴリズムの検出と最適化の問題は、評価ツールのタイプとコンピューティング費用によって異なります。一部の評価ツールはコントローラと同じ Python 環境で実行されますが、専用のコンパイルやワーカーマシンへのオフロードが必要なものもあります。

この例では、必要に応じてカスタマイズされたコンテナとコード コンパイルを使用して、評価ツールの実行を Google CloudBatch にオフロードする方法を示します。このアプローチでは、複雑なソフトウェア スタックを必要とする最適化（ISV/OSS アプリケーションの実行や、科学計算ソフトウェア パッケージの一部をその場で最適化するなど）を設定できます。Cloud Batch では、必要な Google Cloud インスタンス タイプとアクセラレータ構成を直接制御できます。

AlphaEvolve アセットで提供される hpc-batch-ctk の例では、次のものを使用します。

コントローラとエバリュエータ間の通信用の Pub または Sub メッセージ キュー。

テスト結果を保存する Cloud Storage バケット。

データアクセスと可視化を容易にする JupyterLab インスタンス。

Google Cluster Toolkit は、必要なすべてのインフラストラクチャ コンポーネントの構成とデプロイに使用されます。デプロイ用の AlphaEvolve EAP リポジトリの詳細については、README ファイル内の hpc-batch-ctk フォルダにある手順をご覧ください。