AlphaEvolve の概要

AlphaEvolve は、進化的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。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特に適しています。

AlphaEvolve は、解決する必要があるアルゴリズム検出または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は正しいが、ユーザーが指定した一連の評価指標で定義された特定のグローバル（非機能的）パフォーマンス基準を満たすために最適化が必要である。

エージェントは、最先端の進化型ヒューリスティックを使用して、可能な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検索します。これにより、AlphaEvolve は、目標の最適化目標のパフォーマンスを段階的に改善する新しいプログラムを特定できます。

AlphaEvolve は、このヒューリスティックを候補プログラムの複数の連続した世代にわたって反復的に実行し、ユースケースに必要な全体的なパフォーマンス目標を満たすまったく新しいソリューションを発見します。

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、汎用のデベロッパー アシスタント（Gemini CLI やコーディング アシスタントなど）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入力して、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。
• Linting 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の Linting に従ってコードをクリーンアップするなどの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となるシナリオ向けに特別に設計されています。これは、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。すべての候補は機能的に正しいですが、必要なグローバル パフォーマンス基準を満たすのはサブセットのみです。

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。

解決カテゴリ	通常、カテゴリの解決担当者が対応する問題の種類	アルゴリズムの例	AlphaEvolve が適用されるか？	AlphaEvolve の差別化要因となる機能
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 非線形プログラミング 非凸最適化	シンプレックス法 内部ポイント メソッド	適していません。 既存のアルゴリズムは正確なソリューションを提供するため、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 および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（「古典的」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ありませんが、複数のアルゴリズムで使用される手法） 双対性とラグランジュ ベースのアプローチ 分枝限定法 分岐とカット	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したり、調整したりする方法としても使用できます。
メタヒューリスティック検索メソッド	不規則な / 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 Particle Swarm Optimization	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したり、調整したりする方法としても使用できます。
ベイズ最適化	不明な目的関数またはブラックボックスの目的関数に関する問題。 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）	間違いなく適用されます。
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（一連の離散的な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（従来型）	間違いなく適用されます。 （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）