棋盘价值
本论文发展了一种基于 AI 和深度学习神经网络的数值工具,用于对围棋游戏中的每一步的表现进行自动化评估,并识别游戏特征,通过使用 “过” 的代价来衡量落子的紧迫性,即在相同棋盘位置下,落子前后的局面分差,研究了该度量的特性并描述了一些应用。
Aug, 2022
本研究探讨了生成棋盘游戏的有针对性的起始位置的问题,利用符号方法和迭代模拟搜索了巨大的状态空间,发现了多种不同难度级别的状态,可以方便新手玩家的学习和掌握,同时也会带来有趣的游戏变体。
Nov, 2014
研究论文说明了如何使用神经网络和棋局形状特征对象标准为 “卓越” 的棋局进行分类,达到了 79%的准确性,揭示了较弱引擎对棋局评价较低时更有可能被预测为 “卓越” 的特点,引领了计算机国际象棋引擎展示类似人类卓越和创意的可能性。
Jun, 2024
本研究提出了计算 Harsanyi-Shapley 值的简单公式,探讨了将其推广到随机游戏中的两种方法,并在三个或更多玩家的随机网格游戏中通过实证验证了一种使用广义 Q-learning 算法计算 HS 值的方法。
Mar, 2023
通过简单调整输入格式和价值损失函数,超越 AlphaZero 许多的方式,来在最古老的 AI 基准测试领域之一的象棋游戏中赢得胜利,仅使用视觉 Transformer,并结合 MobileNet 和 NextViT 提高 ViTs 的效率仍然无法胜任此任务。
Apr, 2023
本研究探索了在国际象棋教材中多个参考棋步之间复杂关系,并提出了一个新颖的方法来提取基于文本的国际象棋知识。通过使用调整后的情感分析方法作为评估国际象棋走步的手段,我们的方法在国际象棋领域的情感分类方面取得了进展。通过实证实验证明了我们的方法在提升国际象棋领域的方面化情感分类方面的效率,并展示了运用自然语言处理技术理解战略游戏上下文的实际可行性。
May, 2024
迄今为止,语言模型的出色表现引发了对其性能来源的争议,是仅仅学习句法模式和表面统计的结果,还是从文本中提取了语义和世界模型?本研究在国际象棋这一更复杂的领域中扩展了之前的工作,通过在真实比赛中进行训练并使用线性探测和对比激活来研究模型的内部表示,发现该模型具有棋盘状态的内部表示,同时对玩家技能等潜在变量进行估计,提升了模型的胜率达到 2.6 倍。
Mar, 2024
本研究使用基于文本的记号表示来实现棋盘和其位置的表述,随后应用 BERT 模型在 Nim 和国际象棋游戏中实现无监督学习和玩家行为检测。研究结果表明,该模型已经实践证明在 A 类评级水平中已经可以与 Stockfish 进行胜负对抗了。
Sep, 2022
本研究通过考虑围棋的语言建模任务为基础,探索如何评估 Transformer 语言模型对文本子表面的世界状态的准确跟踪。研究发现,当仅在移动序列上进行训练时,具有足够训练数据的 Transformer 语言模型可以学习跟踪棋子并预测合法棋步。但模型表现与周围状态有关且完整的游戏历史对提高模型表现至关重要,而只进行部分关注则会导致性能下降。
Feb, 2021
本文研究了用奇异值分解(SVD)对井字游戏的评估函数进行近似,并探讨了近似精度对胜率的影响。研究结果表明,SVD 可以有效压缩棋盘游戏策略,并且较之于 SVD,使用高阶奇异值分解(HOSVD)的压缩方法会获得更高的胜率。
Jul, 2022