利用深度神经网络和人类数据学习国际象棋变种 Crazyhouse 超越世界冠军水平

Aug, 2019

利用深度神经网络和人类数据学习国际象棋变种 Crazyhouse 超越世界冠军水平

Learning to play the Chess Variant Crazyhouse above World Champion Level with Deep Neural Networks and Human Data

Johannes Czech, Moritz Willig, Alena Beyer, Kristian Kersting, Johannes Fürnkranz

TL;DR通过利用神经网络的监督学习，提高了对于棋类游戏的效率并且降低了计算成本，从而设计出了一个专门训练于 crazyhouse 象棋的深度神经网络引擎。该引擎在 569,537 场人类游戏中进行了 1.5 天的训练，获得了 60.4% 的棋步准确性，并获得了与世界冠军，Justin Tan，多场胜利，证明了该引擎已经具备了一定的商业潜力。

Abstract

Deep neural networks have been successfully applied in learning the board games Go, chess and shogi without prior knowledge by making use of reinforcement learning. Although starting from zero knowledge has been

neural networks supervised learning chess efficiency monte-carlo tree search

发现论文，激发创造

DeepChess: 棋类自动学习的端到端深度神经网络

本文介绍了一种基于深度神经网络的端到端学习方法，通过无监督预训练和有监督训练来训练神经网络，实现了无先验知识的自动下棋策略，结果表明 DeepChess 能够和经过多年人工调整的机器下棋程序相媲美，是第一个能够实现国际象棋特级大师水平的端到端机器学习方法。

Nov, 2017

将超级智能与人类行为相一致：以象棋为模型系统

研究人员基于人类下棋决策的详细数据，通过 AlphaZero 构建了一种定制化的人工智能引擎 Maia，能够更准确地预测人类棋手的下棋。这项研究表明，重点是建立精确的人类决策模型，安装有人类协作的人工智能系统具有很大的潜力。

Jun, 2020

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

教深度卷积神经网络下围棋

本文介绍了使用卷积神经网络进行围棋下棋预测的方法，采用一些新的技术，包括用于捆绑网络中的权重的方法，以硬编码预期存在于目标函数中的对称性，并证明它们在消融研究中可以显著提高性能。最终网络能够在两个不同的围棋数据集上达到 41.1％和 44.4％的移动预测精度，同时还能够击败著名的围棋程序 GNU Go，表明它是不使用蒙特卡罗树搜索的最先进程序之一。

Dec, 2014

神经网络与长期预测的更好的计算机围棋选手

使用基于深度卷积神经网络的纯模式匹配方法取代传统搜索技术，达到与蒙特卡罗树搜索（MCTS）等开源 Go 引擎相同的优异运行效果，且具有更高的赢率和更强的稳定性，同时也在 KGS Go Server 上稳定达到 3d 级别的胜负表现，而 darkfmcts3 则在比赛中获得了第三名的好成绩。

Nov, 2015

无搜索的国际大师级棋局

研究表明，机器学习中的重要突破主要归功于规模，特别是大规模的基于注意力的架构和空前规模的数据集。本文通过在一个包含一千万局国际象棋比赛的数据集上对一个含有 2.7 亿个参数的 transformer 模型进行监督学习，利用由强大的 Stockfish 16 引擎提供的动作价值为数据集中的每个棋盘进行注释，得到了约 150 亿个数据点，并达到了 2895 的 Lichess 快棋等级分，成功解决了一系列有难度的国际象棋难题，而无需特定领域的优化或显式搜索算法。研究还表明，我们的模型在性能上超过了 AlphaZero 的策略和值网络（没有 MCTS）以及 GPT-3.5-turbo-instruct。对模型和数据集规模进行的系统研究表明，只有在足够规模的情况下，才能展现强大的国际象棋性能。为了验证我们的结果，我们进行了一系列关于设计选择和超参数的消融实验。

Feb, 2024

国际象棋神经网络

介绍 AlphaZero、Leela Chess Zero 和 Stockfish NNUE 对计算机棋类游戏的革命性影响。介绍神经网络的基本建设模块，以及用于构建 AlphaZero 等深度网络的应用程序。阐述了寻找棋类引擎的经典技术和用于 AlphaZero 的搜索技术。还介绍了 AlphaGo、AlphaGo Zero 等现代棋类引擎以及其它棋类引擎的构建方式。并提供一个将 Hexapawn 作为例子用于实现一个 AlphaZero 的微型版的技术。

Sep, 2022

使用深度神经网络学习下棋（奥赛罗棋）

本研究通过使用卷积神经网络对黑白棋游戏（Othello）中的移动预测器进行测试，证实了神经运动预测器具有非常高的能力和与游戏强度之间的强相关性，并在强度和预测准确度上超过了以前的最佳算法和现有的最强开源算法 Edax。

Nov, 2017

使用深度卷积神经网络评估围棋落子

本文旨在通过深度卷积网络对围棋高手的数据进行监督学习，以期望训练神经网络自行评估围棋中的局面，并在二人对弈时直接利用该神经网络，结果显示其胜率达到了 97%。

Dec, 2014

多元化人工智能：向着 AlphaZero 创造性中国象棋的方向发展

通过在国际象棋中构建多样化的人工智能团队，研究表明多样性对于解决复杂计算问题具有价值，并能使团队中的人工智能系统产生出更多有创造性的决策机制。

Aug, 2023