다음 단계

이제 Gemini Enterprise 환경이 작동하고 API 액세스를 확인했으므로 AlphaEvolve API를 시작할 수 있습니다.

AlphaEvolve 저장소에는 첫 번째 AlphaEvolve 실험을 실행하는 데 도움이 되는 여러 애셋과 아티팩트가 있습니다.

  • AlphaEvolve 기술: 코딩 어시스턴트와 함께 이러한 기술을 사용하여 AlphaEvolve 실험의 엔드 투 엔드 워크플로를 간소화합니다.

  • 사용 사례 실험 예시 (코드): 조합 최적화, 다중 목표 신호 처리, LLM 미세 조정과 같은 다양한 최적화 문제와 AlphaEvolve 사용 사례를 포괄하는 샘플 코드를 살펴봅니다.

  • Cluster Toolkit 예시: 에서 고성능 컴퓨팅 (HPC), 인공지능 (AI), 머신 러닝 (ML) 워크로드 배포 프로세스를 간소화합니다. Google Cloud이러한 예시는 평가자를 위한 커스텀 컨테이너를 배포하거나 최적화된 알고리즘을 컴파일하고 제공하는 데 도움이 됩니다.

시작하려면 AlphaEvolve 저장소를 클론하거나 제공된 TAR 파일을 다운로드하세요.

에이전트형 개발을 위한 AlphaEvolve 기술

AlphaEvolve 기술을 사용하면 Antigravity와 같은 에이전트형 코딩 어시스턴트에서 직접 AlphaEvolve 실험을 실행할 수 있습니다. 이러한 기술을 사용하면 코딩 어시스턴트가 실험 구성, 진화 루프 실행, 진행 상황 모니터링, 최상의 결과를 코드에 다시 통합하는 등 전체 AlphaEvolve 워크플로를 안내합니다.

저장소 에는 6가지 특정 AlphaEvolve 기술이 포함되어 있으며 각 기술에 대해 README.md 파일과 SKILLS.md 파일이 제공됩니다.

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

현재 제한사항

  • Python만 해당: 기술은 Python 코드 진화만 지원합니다.

  • 단일 코드 위치: 시스템은 한 번에 하나의 코드 위치를 진화하도록 테스트됩니다. 여러 파일의 컨텍스트를 포함할 수 있지만 여러 진화 블록을 동시에 최적화하는 것은 아직 검증되지 않았습니다.

사용

  1. Google Cloud CLI CLI로 인증합니다.

    gcloud auth application-default login

코딩 어시스턴트에게 AlphaEvolve로 코드를 최적화하도록 요청합니다. 프롬프트 예시는 다음과 같습니다.

  • 'AlphaEvolve를 사용하여 이 모델의 코드를 최적화하여 더 빠르게 만드세요.'

  • 'AlphaEvolve 실험을 설정하여 이 일정 함수에 더 나은 알고리즘을 찾으세요.'

  • '이 손실 함수를 진화시켜 이 XYZ 벤치마크의 수렴을 개선하세요.'

어시스턴트가 구성을 안내하고 평가 루프를 실행하며 최상의 결과를 코드베이스에 다시 통합하는 데 도움을 줍니다.

워크플로 기술 외에도 alpha_evolve_consultant 기술은 AlphaEvolve의 전문가 Q&A 어시스턴트 역할을 합니다. 공식 AlphaEvolve 참조 가이드를 기반으로 문제가 AlphaEvolve에 적합한지 판단하고, 평가자 구현에 대한 조언을 제공하고, 런타임 구성 옵션을 설명하고, 문제를 해결하는 데 도움이 될 수 있습니다.

AlphaEvolve 사용 사례

AlphaEvolve 저장소에는 클라이언트 측 Python 라이브러리와 use-cases 폴더의 실험 예시가 포함되어 있습니다. 엄선된 예시를 시작하기 전에 README 파일을 검토하세요.

사용 사례 / 수준 설명 핵심 학습 집중
시작하기: 조합 최적화 (기본) 클라우드 인프라 없이 로컬 exec() 평가를 사용하여 원을 단위 정사각형에 패킹하거나 최단 TSP 투어를 찾는 순수 Python 휴리스틱을 진화시킵니다. 핵심 루프 메커니즘 (시드 프로그램 → EVOLVE-BLOCK 마커 → 평가자 → 컨트롤러)을 알아보고 기준선에 대한 반복적인 개선을 관찰합니다.
다중 목표 평가: 신호 처리 (중급) 5개의 비정상 테스트 신호에서 14개 이상의 경쟁 측정항목 (평활도, 지연 시간, 잘못된 반전, 노이즈 감소 등)을 기준으로 판단되는 적응형 시계열 필터를 진화시킵니다. 가중 복합 목표를 설계하고, LL101} LLM 자체 수정을 위한 구조화된 통계를 반환하고, 명시적 제한 시간으로 평가자를 보호하는 방법을 알아봅니다.
대규모 원격 평가: ML 파이프라인 (중급) Cloud Run에서 컨테이너화된 평가자가 점수를 매기는 완전한 scikit-learn 파이프라인 (특성 엔지니어링 및 모델 선택)을 진화시킵니다. Dockerfile, cloudbuild.yaml 및 Terraform 프로비저닝 Artifact Registry / IAM 리소스를 사용하여 원격 평가 패턴을 알아봅니다.
프로덕션 GPU 인프라: LLM 미세 조정 (고급) GKE에서 영구 RayCluster를 사용하여 자동 확장 L4 GPU에서 학습된 함수 호출 데이터세트에 대해 Gemma의 LoRA 하이퍼 매개변수를 진화시킵니다. 비용 관리 및 완전한 관측 가능성을 갖춘 프로덕션 학습 인프라에 AlphaEvolve를 연결하는 방법을 알아봅니다.

Google Cloud 일괄 처리 (Cluster Toolkit 사용)

알고리즘 검색 및 최적화 문제는 평가자의 유형과 컴퓨팅 비용에 따라 다릅니다. 일부 평가자는 컨트롤러와 동일한 Python 환경에서 실행되지만 다른 평가자는 전용 컴파일 또는 작업자 머신으로 오프로드를 요구합니다.

이 예시에서는 필요에 따라 맞춤설정된 컨테이너와 코드 컴파일을 사용하여 평가자 실행을 Google Cloud 일괄 처리로 오프로드하는 방법을 보여줍니다. 이 접근 방식을 사용하면 복잡한 소프트웨어 스택이 필요한 최적화(예: ISV/OSS 애플리케이션 실행 또는 과학 컴퓨팅 소프트웨어 패키지의 일부를 현장에서 최적화)를 설정할 수 있습니다. Cloud Batch는 필요한 인스턴스 유형 및 가속기 구성을 직접 제어할 수 있도록 지원합니다. Google Cloud

AlphaEvolve 애셋과 함께 제공되는 hpc-batch-ctk 예시에서는 다음을 사용합니다.

컨트롤러와 평가자 간의 통신을 위한 Pub 또는 Sub 메시지 큐

실험 결과를 저장하기 위한 Cloud Storage 버킷

데이터 액세스 및 시각화를 용이하게 하는 JupyterLab 인스턴스

Google Cluster Toolkit은 필요한 모든 인프라 구성요소를 구성하고 배포하는 데 사용됩니다. 배포를 위한 AlphaEvolve EAP 저장소에 대한 자세한 내용은 README 파일 내에 있는 hpc-batch-ctk 폴더의 안내를 참고하세요.