AlphaEvolve: Agen Coding Gemini yang Kini Mengubah Cara Google Riset, Fisika, hingga Optimasi Jaringan Listrik

Meta Description: AlphaEvolve, agen coding bertenaga Gemini dari DeepMind, kini dipakai di riset genomics, fisika kuantum, hingga optimasi jaringan listrik. Ini dampaknya.

CLB.my.id - Google DeepMind mengumumkan bahwa AlphaEvolve, agen coding bertenaga Gemini yang awalnya dirancang untuk menemukan algoritma baru, kini telah berevolusi menjadi sistem serbaguna yang dampaknya melampaui dunia komputer. Dari genomika hingga fisika kuantum, dari optimasi jaringan listrik hingga desain chip TPU generasi berikutnya, AlphaEvolve membuktikan bahwa algoritma yang bisa belajar dan mengoptimasi diri sendiri membuka era penemuan baru.

AlphaEvolve pertama kali diperkenalkan sebagai agen coding berbasis Gemini yang mampu merancang algoritma canggih untuk memecahkan masalah terbuka di matematika dan ilmu komputer. Sistem ini kemudian diintegrasikan ke infrastruktur Google dan mulai digunakan secara rutin. Namun dalam perkembangan terbaru, DeepMind mengungkapkan bahwa kemampuan AlphaEvolve jauh lebih luas dari sekadar optimasi kode.

Genomika dan Penyakit Genetik

Dalam bidang genomika, AlphaEvolve digunakan untuk meningkatkan model koreksi kesalahan sekuensing DNA yang dikembangkan Google Research. Hasilnya, kesalahan deteksi varian genetik turun 30%. Perbaikan ini membantu ilmuwan di PacBio, perusahaan sekuensing genom, menganalisis data genetik dengan lebih akurat dan biaya lebih rendah.

“Solusi yang ditemukan tim Google menggunakan AlphaEvolve membuka tingkat akurasi yang jauh lebih tinggi untuk instrumen sekuensing kami,” ujar Aaron Wenger, Senior Director di PacBio. “Bagi peneliti, data berkualitas lebih tinggi ini bisa memungkinkan penemuan mutasi penyebab penyakit yang sebelumnya tersembunyi.”

Optimasi Jaringan Listrik dan Prediksi Bencana

AlphaEvolve juga diterapkan pada optimasi jaringan listrik. Sistem ini membantu meningkatkan kemampuan model Graph Neural Network (GNN) untuk menemukan solusi yang layak dari 14% menjadi lebih dari 88%, secara signifikan mengurangi kebutuhan langkah pasca-pemrosesan yang mahal untuk jaringan listrik.

Di bidang ilmu bumi, AlphaEvolve membantu mengotomatisasi optimasi parameter prediksi risiko bencana alam. Akurasi prediksi yang mencakup 20 kategori seperti kebakaran hutan, banjir, dan tornado meningkat 5%.

Fisika Kuantum dan Kolaborasi dengan Terence Tao

Di ranah fisika kuantum, optimasi AlphaEvolve memungkinkan simulasi molekuler kompleks dijalankan pada prosesor kuantum Willow milik Google. Sistem ini menyarankan sirkuit kuantum dengan galat 10 kali lebih rendah dari baseline yang dioptimasi secara konvensional.

AlphaEvolve juga berkolaborasi dengan matematikawan terkemuka dunia, Terence Tao, untuk memecahkan masalah optimasi terbuka. “Alat seperti AlphaEvolve memberikan kemampuan baru yang sangat berguna bagi matematikawan,” kata Terence Tao, Profesor Matematika di UCLA. “Untuk masalah optimasi, kita kini bisa dengan cepat menguji ketidaksamaan yang berpotensi menjadi kontracontoh, atau mengonfirmasi keyakinan kita tentang apa pengoptimalkannya.”

Desain Chip TPU dan Optimasi Penyimpanan

AlphaEvolve mulai mengoptimasi level terendah perangkat keras yang menjalankan tumpukan AI Google. Sistem ini menemukan desain sirkuit yang kontraintuitif namun efisien, yang langsung diintegrasikan ke silikon TPU generasi berikutnya. “Ini contoh terbaru dari otak TPU yang membantu mendesain tubuh TPU generasi berikutnya,” kata Jeff Dean, Chief Scientist di Google DeepMind dan Google Research.

Sistem ini juga meningkatkan efisiensi heuristik kompaksi, mengurangi “write amplification” sebesar 20%, dan memberikan wawasan untuk strategi optimasi kompiler baru yang mengurangi jejak penyimpanan perangkat lunak hampir 9%.

Aplikasi Komersial Skala Besar

AlphaEvolve kini digunakan oleh berbagai perusahaan besar. Samsung menggunakannya untuk mengoptimasi salah satu model transformer terbesarnya, melipatgandakan kecepatan pelatihan sambil meningkatkan kualitas model. Dalam manufaktur semikonduktor, Applied Materials menerapkan AlphaEvolve pada kerangka kerja litografi komputasional, mencapai peningkatan kecepatan beberapa kali lipat.

Sebuah perusahaan logistik menggunakan teknologi ini untuk mengoptimasi tantangan perutean kompleks seperti Traveling Salesman Problem, menemukan peningkatan efisiensi 10,4% dibandingkan solusi yang sudah dioptimasi sebelumnya, menghemat lebih dari 15.000 kilometer jarak tempuh setiap tahun.

“AlphaEvolve memungkinkan kita menjelajahi ruang kimia yang lebih besar dengan lebih cepat dan efisien dari sebelumnya,” kata Gabriel Marques, Technical Lead of Machine Learning di Schrodinger. “Inferensi MLFF yang lebih cepat membawa dampak bisnis nyata, mempercepat siklus R&D dalam penemuan obat, desain katalis, dan pengembangan material.”

Perkembangan AlphaEvolve menunjukkan bahwa agen coding berbasis AI tidak hanya soal menulis kode, tetapi tentang menemukan algoritma yang bisa mengubah cara manusia memecahkan masalah di berbagai bidang ilmu pengetahuan.***