AlphaEvolve от Google DeepMind улучшил оценку сложности умножения матриц
AlphaEvolve от Google DeepMind улучшил оценку сложности умножения матриц Исследователи Google DeepMind и коллеги с помощью AlphaEvolve и методов машинного обучения снизили верхнюю границу экспоненты ω (показатель асимптотической сложности умножения матриц) с 2,371339 до 2,371177. Это результат работы над методом combination loss analysis — уточнением лазерного подхода к оценке сложности. Команда переформулировала задачу оптимизации, применила новые алгоритмы на базе ML и доработала их эволюционным агентом AlphaEvolve. Статья вышла 17 августа на arXiv. Небольшой, но важный шаг в одной из самых фундаментальных открытых задач computer science. AlphaEvolve уже раньше находил лучшие алгоритмы для небольших матриц. Теперь он помогает продвигать теоретические границы. До ω=2 ещё далеко, но каждый такой прирост демонстрирует то, как AI ускоряет математические исследования... Источники: https://arxiv.org/abs/2608.16884 #AI #GoogleDeepMind #AlphaEvolve #MatrixMultiplication #наука