AlphaEvolve・TLT・Mollifier Layers：AI研究が数学・最適化・効率化の新境地を拓く
DeepMindが未解決アルゴリズム発見AIを発表し、理論・効率化・エージェント研究でも複数の重要論文が登場した。
1. DeepMind AlphaEvolve：Gemini×進化的アルゴリズムで未解決アルゴリズム問題を自律発見
Google DeepMindが発表した「AlphaEvolve」は、Gemini LLMと進化的アルゴリズムを組み合わせてこれまで未解決だったアルゴリズム問題の解法を自律的に発見するシステムだ。LLMが候補アルゴリズムを生成し、評価器が最良のものを選択し、そのフィードバックをLLMに戻すというループで性能を継続的に改善する仕組みを持つ。DeepMindはAlphaEvolveを使用してGoogleのデータセンター電力消費管理やTPUチップの計算効率を改善する新手法を既に発見したと報告している。
AlphaEvolveはAlphaCodeやAlphaCodiumなどのコーディングAI研究の延長線上にあるが、単なるコーディング補助を超えて、アルゴリズム設計そのものを自動化する点で質的な違いがある。特定の最適化問題に対して人間の専門家が何ヶ月もかけて設計するアルゴリズムをAIが数時間で発見できる可能性を示しており、計算複雑性理論・最適化・オペレーションズリサーチなど複数の分野に波及的な影響を与えうる。
この研究はAIが科学的発見のパートナーとなる「AI-Assisted Science」のビジョンに大きく近づくものだ。フィードバックループを持つ進化的最適化とLLMの創造的生成能力を組み合わせるアーキテクチャは、タンパク質構造予測（AlphaFold）や数学的証明（AlphaProof）に続くDeepMindの系譜に連なり、今後さらに多様な科学領域への応用が期待されている。
Google DeepMinddeepmind.google
2. TLT（Taming the Long Tail）：推論LLMの学習を最大210%高速化する新手法
新手法「TLT（Taming the Long Tail）」が推論系LLMのトレーニングを70〜210%高速化しながら精度を維持することを実証した。現在の推論系モデル（o1・DeepSeek-R1系など）は長いchain-of-thoughtの生成が必要なため訓練コストが非常に高く、この問題を解決する実践的な手法として注目されている。TLTは訓練データの分布における「長いテール」（難しいサンプルや希少なパターン）を効果的に扱うことに着目した手法で、難易度別の重み付けや学習率スケジューリングの工夫によって効率的な訓練を実現する。
推論モデルの訓練効率化は業界全体の喫緊の課題であり、OpenAI・Anthropic・Google・DeepSeekを含む主要AI企業すべてにとって関連性が高い研究領域だ。訓練コストが数百万ドルに達する現在のスケールでは、2倍以上の効率化は直接的な経済的インパクトを持つ。既存の訓練パイプラインへの導入障壁も低いとされており、広範な採用が見込まれている。
TLTのような効率化研究は、より多くの組織がフロンティアモデル規模の推論系AIを開発できるようにする民主化効果もある。特にリソースに制約のある研究機関やスタートアップが、大企業と競争できる技術的基盤を提供するという観点から、オープンソースAI研究コミュニティからも強い関心が寄せられている。
3. Aletheia（Google）：数学自動証明AIがIMO-ProofBenchで91.9%を達成
Google DeepMindが4月に発表した「Aletheia」はGemini 3 Deep Thinkを用いた数学自動証明AIで、研究レベルの新規数学問題10問から成る「FirstProof」チャレンジで6問を解答し、IMO-ProofBenchでは約91.9%のスコアを達成した。数学オリンピック（IMO）レベルの証明を自動生成できることは、形式的数学・自動定理証明の分野において画期的な成果として受け止められている。
Aletheiaの成果は2024年のAlphaProofがIMO問題を解いたこととは異なり、既知の問題への適用ではなく「新規問題」での高精度を示している点が特に重要だ。AIが初めて見る数学的命題に対して正しい証明を自動構築できることは、理論的証明支援システムとしての実用化への大きな一歩となる。LeanやIsabelle等の形式証明検証システムとの連携による完全自動化証明パイプラインの実現も視野に入ってきた。
数学的推論能力の高さは汎用AIの知的水準の指標として広く認められており、IMO-ProofBench上での性能向上は他の推論ベンチマークとも相関が高い。また形式証明の自動化は、ソフトウェアの正当性検証・暗号理論の形式証明・科学論文の査読支援など多様な応用への足がかりになりうるため、純粋数学を超えた波及効果が期待されている。
4. Mollifier Layers：逆偏微分方程式をニューラルネットで安定的に解く新技術
ペンシルベニア大学工学部の研究者が「Mollifier Layers（緩化層）」を発表した。これは古典的な数学的スムージング関数（モリファイアー）をニューラルネットワークに統合し、逆偏微分方程式（逆PDE）をより高い安定性と効率性で解く手法だ。研究成果はTransactions on Machine Learning Researchに掲載予定で、NeurIPS 2026でも発表される。流体力学・弾性力学・電磁気学などの物理シミュレーションにおける逆問題（観測データから支配方程式のパラメータを推定する問題）に対して有効な解法を提供する。
物理インフォームドニューラルネットワーク（PINN）は近年急速に発展しているが、逆PDE問題は数値的な不安定性が課題だった。Mollifier Layersはこの不安定性を数学的に制御することで、既存手法より高い精度と収束安定性を実現している。気候モデリング・医療画像からの生体パラメータ推定・材料設計など、実世界の科学的応用への直接的な活用が期待されている。
本研究はニューラルネットワークと古典的な数値解析の橋渡しをするという研究トレンドに沿ったものであり、機械学習理論と応用数学の融合という観点で注目されている。NeurIPS 2026での発表は、物理シミュレーション・科学機械学習（SciML）コミュニティに大きな反響を呼ぶと予想されている。
5. SmolDocling：256Mパラメータで実現する高精度ドキュメント変換VLM
Hugging Face上でトレンド入りした「SmolDocling」は256Mパラメータという小型の視覚言語モデル（VLM）でありながら、論文・請求書・フォームなど多様な文書を高精度でエンドツーエンド変換できる点が特徴だ。独自のマークアップ形式を採用し、表・図・段落構造を含む複雑な文書レイアウトを正確に解析する。モデルサイズが小さいため、エッジデバイスや低コスト環境での文書処理自動化に適している。
大規模なVLM（GPT-4V・Gemini Visionなど）が主流の中で、軽量かつ特化型のモデルが業務特化タスクで十分な性能を発揮できることを示す事例として注目されている。文書理解（Document Understanding）は企業のデジタル化において高いニーズを持つ領域であり、OCRを超えた構造的理解を提供するSmolDoclingは、法務・金融・医療などの書類集約型業務における自動化ツールとして有望視されている。
Hugging Face上でのオープンソース公開により、研究者・開発者がすぐに試用・ファインチューニングできる点も普及を後押しする。256Mパラメータという小型化は推論コストの大幅削減を意味し、プライバシー要件からクラウドへのデータ送信が難しい企業でもオンプレミス運用できるメリットがある。
6. Stanford、深層ニューラルネットワークの汎化理論を全特徴学習レジームで構築
スタンフォード大学の研究者が、深層ニューラルネットワークの汎化（generalization）に関する理論を「完全特徴学習レジーム」で動作する環境において構築した。経験的ニューラルタンジェント核（eNTK）が出力空間をシグナルチャネルとテスト不可視リザーバーに分割する仕組みを示し、深層モデルがなぜ訓練データを超えて汎化できるかという根本的な問いに理論的回答を与えた。これまでの汎化理論の多くは「カーネルレジーム」（無限幅極限）という簡略化された設定に依存していたため、現実のネットワークへの適用が限られていた。
完全特徴学習レジームでの汎化理論は、Adam最適化・バッチ正規化・残差接続などを用いた現代的なアーキテクチャを直接対象にできる点で、実用的な意義が大きい。なぜ大規模モデルが少量の学習データからでも汎化できるのか、オーバーフィッティングなしに記憶容量以上のデータを処理できるのかを説明できる理論的枠組みの整備は、より効率的なモデル設計に繋がる。
ディープラーニングの理論的理解はここ数年で急進展しており、本研究はその最前線に位置する。実験的に観察されていた現象の理論的説明が揃っていくことで、直感に頼らない系統的なアーキテクチャ設計・ハイパーパラメータ選択が可能になりつつある。今後の応用研究との連携によって、より信頼性の高いAIシステムの構築に貢献することが期待されている。