구글 딥마인드, AlphaEvolve 확장 도입 사례 공개… 차세대 TPU 회로 설계·Spanner 쓰기 증폭 20%↓·컴파일러 9%↓·Klarna 학습 2배·Substrate·WPP 10%·Schrödinger MLFF 약 4배 가속

구글 딥마인드(Google DeepMind)가 7일(현지시간) Gemini 기반 코딩 에이전트 'AlphaEvolve'의 확장 도입 사례를 공개했다. AlphaEvolve는 파일럿 단계를 졸업해 구글 인프라의 핵심 구성 요소로 자리 잡았으며, 클라우드를 통해 다양한 산업 기업의 문제 해결에 적용되고 있다고 밝혔다.

AI 인프라 영역에서 AlphaEvolve는 차세대 TPU 설계 최적화에 정기적으로 활용되고 있다. 또한 새로운 캐시 교체 정책을 발견해, 기존에 수개월간 인력 집약적으로 진행되던 작업을 단 2일 만에 완료한 것으로 전해졌다. 구글 딥마인드·구글 리서치 수석 과학자 제프 딘(Jeff Dean)은 "AlphaEvolve가 AI 스택을 구동하는 가장 낮은 수준의 하드웨어부터 최적화하기 시작했다"며, 직관에 반하지만 효율적인 회로 설계가 차세대 TPU 실리콘에 직접 통합됐다고 밝혔다.

구글 분산 데이터베이스 'Spanner'에서는 LSM-tree(Log-Structured Merge-tree) 컴팩션 휴리스틱을 정교화해 효율을 개선했다. 그 결과 원본 요청 대비 실제 저장소에 기록되는 데이터의 비율을 의미하는 '쓰기 증폭(write amplification)'이 20% 감소했다. 이와 함께 새로운 컴파일러 최적화 전략에 대한 통찰을 제공해, 소프트웨어 저장 공간을 약 9% 줄이는 데 기여했다.

상업 영역에서는 구글 클라우드(Google Cloud)와의 협업으로 다양한 기업에 도입됐다. 금융 분야의 클라르나(Klarna)는 자사의 큰 트랜스포머 모델 중 하나를 AlphaEvolve로 최적화해 학습 속도를 두 배로 끌어올렸고, 모델 품질도 함께 개선했다.

반도체 제조 분야에서는 서브스트레이트(Substrate)가 자사 컴퓨테이셔널 리소그래피 프레임워크에 AlphaEvolve를 적용해 런타임 속도를 수배 향상시켰다. 이를 통해 첨단 반도체에 대한 훨씬 더 큰 규모의 시뮬레이션을 실행할 수 있게 됐다.

물류 분야에서 FM 로지스틱(FM Logistic)은 외판원 문제(Traveling Salesman Problem) 같은 복잡한 라우팅 과제 해결에 AlphaEvolve를 활용해, 기존에 고도로 최적화된 솔루션 대비 라우팅 효율을 10.4% 개선했다. 이로써 연간 15,000킬로미터 이상의 이동 거리를 절감한 것으로 집계됐다.

광고·마케팅 분야의 WPP는 AI 모델 구성 요소를 정교화하는 데 AlphaEvolve를 활용했다. 복잡하고 고차원적인 캠페인 데이터 환경에서, 기존에 수작업으로 경쟁력 있게 튜닝하던 모델 대비 정확도가 10% 향상됐다.

계산 소재·생명과학 분야에서는 슈뢰딩거(Schrödinger)가 AlphaEvolve를 머신러닝 기반 힘장(MLFF, Machine Learned Force Fields) 학습과 추론 모두에 적용해 약 4배의 속도 향상을 달성했다. 슈뢰딩거의 머신러닝 기술 리드 가브리엘 마르케스(Gabriel Marques)는 "AlphaEvolve를 통해 더 큰 화학 공간을 더 빠르고 효율적으로 탐색할 수 있게 됐다"며, MLFF 추론 가속이 신약 개발·촉매 설계·소재 개발의 R&D 사이클을 줄여 분자 후보 스크리닝을 수개월에서 며칠 단위로 단축한다고 설명했다.

구글 딥마인드는 지난 1년의 진척을 토대로 AlphaEvolve가 다재다능한 범용 시스템으로 빠르게 자리잡고 있다고 평가했다. 향후에는 자체적으로 학습·진화·최적화하는 알고리즘이 다음 세대 돌파구를 이끌 것이라며, 외부 과제로 적용 범위를 더 넓혀갈 계획이라고 밝혔다.