Jul, 2019

AlphaZero 深度探索下的量子动力学全局优化

PDF
TL;DR采用 AlphaZero 算法中的深度神经网络和引导树搜索，结合深度前瞻技术， 实现了量子优化过程的全新探索方式。AlphaZero 算法在三类控制问题上经过应用和基准测试， 能够显著提高优质解集的质量和数量，并能够自主学习预期外的隐藏结构和全局对称性。
quantum dynamicsoptimizationalphazero algorithmdeep neural networkcontrol problems
发现论文，激发创造
  • 解决搜索问题的 AlphaZero 启发方法

    AlphaZero 和 MuZero 是使用机器学习技术进行超级人类棋类游戏表现的程序，并尝试将其应用于解决搜索问题，本文描述了在搜索问题中如何使用 AlphaZero 技术进行表示以及求解规则，并提出了适用于该类问题的一种 Monte Carlo tree search 方法。

    Jul, 2022

  • 使用通用增强学习算法通过自我对弈掌握国际象棋和将棋

    该研究介绍了使用新的 AlphaZero 算法以及无领域知识的方式进行强化学习，让计算机在三个领域的棋类游戏：围棋、象棋和将棋中均以超级专业水平进行游戏。

    Dec, 2017

  • A0C：连续动作空间中的 Alpha Zero

    该研究论文介绍了如何将 Alpha Zero 的算法模型用于连续动作域的强化学习问题，并给出了针对摆钟摆问题的初步实验结果，为在连续动作域下应用 Alpha Zero 算法模型提供了理论基础和有效性证明。

    May, 2018

  • 通过学习模型规划，掌握雅达利、围棋、国际象棋和将棋

    本文提出了 MuZero 算法，它通过结合基于树的搜索和学习模型实现了对一系列具有挑战性且视觉复杂的领域的超人类表现，在 57 款不同的 Atari 游戏上以及对 Go、国际象棋和象棋等游戏的测试中，都表现出了与 AlphaZero 算法相当的性能，而无需知道游戏规则。

    Nov, 2019

  • DeepZero：扩展零阶优化以提升深度模型训练

    DeepZero 是一个基于 Zeroth-order optimization 的深度学习框架，通过三个主要创新使得 ZO 优化可用于深度神经网络的训练，同时实现了与一阶优化相当的性能，其优点包括坐标梯度估计（CGE）在训练准确性和计算效率上的优势，以及利用模型剪枝方法扩展稀疏 DL 先验信息的 ZO 训练协议，并通过特征重用和前向并行化方法提高 ZO 训练的实际实施。

    Oct, 2023

  • AlphaZero 中的国际象棋知识获取

    本文提供证据表明，AlphaZero 神经网络在学习国际象棋时获得了人类知识，并探究了其在象棋中开局游戏方面的行为分析和表示分析。

    Nov, 2021

  • 用 AlphaZero 和 Tabu 搜索找到越来越大的极端图

    通过对给定规模下最大化边数且无 3 或 4 - 循环的图形的研究，将问题建模为一个顺序决策问题，并比较了 AlphaZero 和 tabu 搜索两种方法的效果，通过引入课程，即使用在较小规模下找到的良好图形来启动搜索更大图形的过程，我们改进了对于多个规模的现有下界。同时，我们还提出了一个灵活的图形生成环境和一个对于在图形空间中进行搜索的排列不变的网络架构。

    Nov, 2023

  • Monte-Carlo 树搜索作为正则化策略优化

    展示 AlphaZero 的 heuristics 可以近似于规则化策略优化问题的解，并通过提出一种利用此解的变量来实现，实验表明该算法在多个领域中可靠地优于原始算法。

    Jul, 2020

  • 公正博弈：强化学习的挑战

    本文介绍了 AlphaZero 和 MuZero 的算法，探究了它们的局限性，并提供了新的瓶颈测试方法以解决 AlphaZero 在某些博弈游戏中学习能力不足的问题，并发现 AlphaZero 在解决 nim 游戏时会面临严重的问题。

    May, 2022

  • AlphaZero 五子棋

    AlphaZero 算法通过将深度学习与蒙特卡洛树搜索相结合，在象棋、围棋和五子棋等棋盘游戏中取得了巨大的成功。

    Sep, 2023