AlphaEvolve の概要

AlphaEvolve は、進化的手法を使用して、アルゴリズムの検出、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、ユーザー指定の評価指標のセット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する必要があります。

このエージェントは、最先端の進化論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検索します。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する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見つけます。

AlphaEvolve を使用すべきでない場合

次の状況では AlphaEvolve を使用できません。

• 基本的なコード生成: AlphaEvolve は、汎用的なデベロッパー 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。
• 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のリンティングに従ってコードをクリーンアップするなど、基本的なコードの最適化を目的としていません。

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。すべての候補が機能的に正しいが、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、考えられる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 の適合性を示しています。

ソルバーのカテゴリ	通常、このカテゴリのソルバーで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 非線形計画法 非凸最適化	シンプレックス法 内点法	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（「古典的な」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 分枝切除法	適用でき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、 チューニング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手法	不規則な / 微分不可能な目的関数を持つ問題。 オンライン最適化問題	遺伝的アルゴリズム 進化検索 焼きなまし法 粒子群最適化	適用でき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、 チューニング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を持つ問題。 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）	確実に適用できます。
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 構造化されていない / セマンティックな検索空間を持つ問題 （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）	確実に適用できます。 （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）