DeepMind 等用 AlphaEvolve 把矩阵乘法指数推到 ω<2.371177
arXiv 8 月 17 日提交：作者用梯度优化加 AlphaEvolve，把矩阵乘法指数上界从 2.371339 改进到 2.371177。作者包括 Alman、Vassilevska Williams 和 Matej Balog。
arXiv 论文《Improving the matrix multiplication exponent with modern optimization and AlphaEvolve》提交于 8 月 17 日。作者把组合损失分析的优化问题改写成可用梯度下降求解，再用 AlphaEvolve 改进优化算法，得到 ω<2.371177，此前最好是 2.371339。
关键是把递归层数 ℓ* 从 3 提到 4，可优化参数从约 2.5 万增到约 700 万，在 JAX 上并行。作者包括哥伦比亚大学的 Josh Alman、MIT 的 Virginia Vassilevska Williams，以及 Matej Balog 等 AlphaEvolve 相关作者。这是理论进展，不是产品发布。作者说会另发验证代码和发现的解。