- Gemini 4 Argon senkt den Ressourcenbedarf beim Quantencomputing um mehr als das 100-fache.
- Das Modell steigert die Erfolgsquote von Robotern von 56 % auf 75 %.
- Argon optimierte in 11 Stunden Googles Codebasis und reduzierte den Overhead um etwa 40 %.
- Das Modell hilft bei der Lösung fusionsbezogener mathematischer Probleme und treibt die Forschung voran.
Google hat kürzlich Gemini 4 Argon vorgestellt. Das Modell soll den Ressourcenbedarf bei Quantencomputing-Operationen um mehr als das 100-fache senken, gleichzeitig Forschern helfen, neue mathematische Lösungen für Fusionsprobleme zu entwickeln, und die Leistung realer Roboter verbessern. In einer Demonstration erzeugte Argon eine Quantenalgorithmus-Komponente, deren Raumzeitkosten mehr als das 100-fache niedriger lagen als bei zuvor veröffentlichten Methoden. Das Unternehmen gab an, die Implementierung sei formal durch das Lean-System verifiziert worden, ein System zur Überprüfung mathematischer Beweise.
Steigerung der Roboterleistung
Das Modell half Forschern auch, neue Lösungen für ein seit Jahrzehnten bestehendes mathematisches Problem im Zusammenhang mit Stellarator-Fusionsreaktoren zu finden. In separaten Roboter-Tests erhöhte das von Argon-Simulationen generierte Trainingsdaten die Erfolgsquote von Robotern bei realen Aufgaben von 56 % auf 75 %. Google kündigte diese Fortschritte am 13. Oktober als Teil der Einführung von Gemini 4 Argon an.
In einem weiteren Test lief das Modell 11 Stunden lang unbeaufsichtigt auf Googles bestehendem Software-Code-Repository. Die generierten Änderungen reduzierten den Overhead bei der Sitzungsvorbereitung um etwa 40 % und erhöhten die Paketimportgeschwindigkeit um 21 %. Quantencomputing wird schlanker: Quantencomputer benötigen sorgfältig entworfene Operationen, um Berechnungen durchzuführen, während gleichzeitig Fehler und Hardwareanforderungen begrenzt werden. Einige Algorithmen basieren auf kleineren mathematischen Komponenten, sogenannten Subroutinen, die große Rechenressourcen verbrauchen. Gemini 4 Argon ist ab sofort verfügbar, weltweit für Entwickler und Unternehmen in den kostenpflichtigen Stufen der Gemini API und auf der Gemini-Plattform, für Ultra-Abonnenten von Google Antigravity sowie
sowie Ultra- und Pro-Abonnenten der Gemini-App und von Search.
Optimierung der Quantencomputing-Ressourcen
Google zufolge optimierte Argon die arcsin-Subroutine, die für Quanten-Simulationsalgorithmen verwendet wird. Im Vergleich zur veröffentlichten Quanten-CORDIC-Implementierung senkte die neue Version die Raumzeitkosten um mehr als das 100-fache. Raumzeitkosten messen die für die Ausführung einer Operation erforderlichen Rechenressourcen unter Berücksichtigung von Hardwareanforderungen und Ausführungszeit. Diese Verbesserung gilt für die getestete spezifische Subroutine, nicht für das gesamte Quantencomputing-System. Argon optimierte auch die interne Version von Googles auf maschinellem Lernen basierendem Quantenfehlerkorrektur-Decoder AlphaQubit.
Laut Google verdoppelte das Modell die Inferenz-Durchsatzrate nahezu, indem es diese in einen einzigen hardwareoptimierten Kernel umwandelte.
Die Software-Engineering-Fähigkeiten des Modells wurden an Googles Open-Source-Agent-Development-Kit getestet, einem Framework zum Erstellen und Bereitstellen autonomer Agenten. In einem 11-stündigen Übernacht-Lauf untersuchte Argon eine Codebasis mit etwa 205.000 Codezeilen über fast 800 Dateien. Es schlug sechs Optimierungen vor, von denen zwei nach manueller Prüfung angenommen und in das Projekt zusammengeführt wurden. Diese Änderungen reduzierten den In-Memory-Sitzungsvorbereitungs-Overhead bei langen Sitzungen um etwa 40 % und verbesserten die Paketimportgeschwindigkeit um 21 %.
In unabhängigen Benchmarks sank die Ausführungszeit eines 158-Runden-Agenten von 65,6 Sekunden auf 56,1 Sekunden. Die Zeit vom Start eines neuen Prozesses bis zu dessen erster Modellanfrage blieb jedoch im Wesentlichen unverändert.
Im Bereich der Fusionsforschung arbeitete Google mit Professor Matt Landreman von der University of Maryland zusammen, um umfassendere Gegenbeispiele zu identifizieren, die Grad's Vermutung widerlegen – eine mathematische Hypothese aus dem Jahr 1967. Frühere Gegenbeispiele hatten die Vermutung bereits in Frage gestellt. Die neu identifizierten Lösungen könnten als Referenzfälle für das Testen von Simulationssoftware dienen, die zum Design von Stellarator-Fusionsreaktoren verwendet wird, die komplexe Magnetfelder nutzen, um heißes Plasma einzuschließen. Andererseits demonstrierte Argon die Fähigkeit, physische Roboter-Trainingsumgebungen zu generieren.
Ausgehend von einem einzelnen Foto eines Schreibtisches erstellte das Modell eine physikbasierte Simulation und generierte mehr als 4.500 Trainingsdurchläufe für Roboter-Manipulationsaufgaben.
Gemini 4 Argon brachte einem Roboter bei, lediglich durch das Ansehen eines Videos Cornhole zu spielen. Er kartierte die Physik, programmierte seine eigene Simulation und lehrte @Apptroniks humanoiden Roboter Apollo, sieben Mal hintereinander erfolgreich zu werfen. Google berichtete, dass die generierten Trainingsdaten die Erfolgsquote realer Roboter von 56 % auf 75 % steigerten und die Aufgabenbearbeitungszeit von 35 Sekunden auf 24 Sekunden reduzierten. In einer weiteren Demonstration half Argon Boston Dynamics' Spot-Roboter, in der Simulation das Öffnen eines Fußpedal-Mülleimers zu üben, bevor er es mit dem echten Objekt versuchte.
Neben der Roboterforschung nutzten Forscher von Gamow Labs Argon, um de-identifizierte Genomdaten von Neugeborenen mit einer seltenen Entwicklungs-Lungenerkrankung zu untersuchen. Google gab an, das Modell habe eine chromosomale Umstrukturierung identifiziert, die herkömmliche Software jahrelang nicht entdeckt hatte. Diese Ergebnisse betreffen wissenschaftliche Forschung, Software-Engineering und physische Robotersteuerung. Die berichteten Verbesserungen bleiben jedoch spezifisch für die beschriebenen Experimente; eine breitere Leistung in diesen Bereichen ist noch nicht belegt.
Projekt Spezifikation Reduzierung der Raumzeitkosten Mehr als das 100-fache Steigerung der Roboter-Erfolgsquote 56 % bis 75 % Reduzierung der Aufgabenbearbeitungszeit 35 Sekunden bis 24 Sekunden Codebasis-Zeilen Etwa 205.000 Zeilen
Auswirkungen von Gemini 4 Argon auf Robotik und Quantencomputing
Die Einführung von Gemini 4 Argon markiert einen bedeutenden Fortschritt im Quantencomputing und in der Robotik. Das Modell erreicht nicht nur eine erhebliche Senkung des Ressourcenbedarfs beim Quantencomputing, sondern steigert auch die Erfolgsquote von Robotern bei realen Aufgaben und zeigt damit sein Potenzial für praktische Anwendungen. Darüber hinaus könnte Argons Beitrag zur Fusionsforschung die weitere Entwicklung der betreffenden Wissenschaften vorantreiben und damit weitreichende Auswirkungen auf den Energiesektor haben. Diese Fortschritte demonstrieren nicht nur Googles Stärke bei technologischer Innovation, sondern legen auch den Grundstein für zukünftige Forschung und Anwendungen.