コンピューターチェスで人工知能を使用する方法

一部の（歴史的）論文では、チェスは人工知能のショウジョウバエと呼ばれています。現在の研究では、検索アルゴリズムの単なる適用はせいぜい高度なコンピューターサイエンスであると思われますが、AI技術を適用（および実践）できる分野はまだあると思います。

簡単な例は、プログラムが特定の種類のポジションに適していないため、特定の動きを使用するかどうかをプログラムに教えることができるオープンブック学習です。強化学習の形式を使用して、これを自動化できます。プログラムを自分自身と対戦して、勝ちのラインの確率を上げ、ラインを失う確率を下げることができると思います。

より複雑な例は、学習評価関数を使用することです（たとえば、正方形のテーブルの値を調整できます）。しかし、私は考えています：

• （現実的な開始線の量とは対照的に）膨大な量の現実的な位置があるためにすべてのノイズが与えられた
• コンピューターチェスゲームのコスト（期間）と負荷をプレイする必要性。

どのようにこれを効果的に行うことができますか？（または、ニューラルネットワークなどの他の手法を検討する必要があります。）

チェスの状態空間全体は膨大であり、おおよそ10 ⁴³（シャノン番号（シャノン、1950）、（ウィキペディア））と概算できます。

あなたが提示するアイデア-ゲームを学習するために互いに遊んでいる強化学習エージェント-は、バックギャモン-TD-ギャモン（テサウロ、1995）にうまく適用されました（Sutton＆Bartoによる強化学習の章）。また、ニューラルネットワークを使用して、ゲームの価値関数を推定しました。ただし、バックギャモンの状態の数はチェスよりもかなり少ないため、この問題ははるかに単純です。つまり、18,528,584,051,601,162,496（バックギャモンフォーラムアーカイブスレッド）です。

ただし、最初の数回の動きでゲームを終了し、「良いオープニング」を学ぶことだけを目的とする場合、同様のアプローチで成功することができます。主な問題は、開幕戦の後にゲームを評価することです。対戦相手が愚かな動きをすると位置が遠くなる可能性があるため、よく知られている開始後の確立された位置との類似性の尺度は十分ではありません（したがって、学習エージェントの間違いのためではなく、 「良い結果として評価されるべきです」。

参照：

• シャノン、クロードE.「チェスをするためのコンピューターのプログラミング」Philosophical Magazine、第7シリーズ、41、いいえ。314（1950年3月）：256-75。

• ジェラルド・テサウロ。1995.時差学習およびTD-Gammon。コミュニケーション。ACM 38、3（1995年3月）、58-68

教科書のAIまたはMLの可能な（または奇妙な）方法が試行され、単純なブルートフォースと比較してほとんど失敗したと確信しています。

私の個人的な見方では、チェス自体は現代のAIにはもはや関心がないということです。だから、より効率的に解決するために「インテリジェント」システムを作成する必要があるとは感じていません（私の携帯電話でうまく機能します）。存在する「インテリジェントな」アプローチ。

AIの問題に取り組む方法を決定するには、それを定義する必要があることに注意する価値があると思います。それがあるかどうかを完全に観察可能なまたは部分観測、そしてそれがあるかどうかを決定論か確率的 /チャンス。

チェスはまた、（チェッカーのような、例えばゴー）決定論的である（バックギャモン、モノポリーまたは例えばポーカーとは違って）最後に、敵が存在すると、完全に観察可能であるための次の最高の動きを決定する際には、使用すると便利であることを敵対検索の種類をMiniMaxなどのアルゴリズム。問題を分類すると、どの種類の検索アルゴリズムを適用するかを判断するのに役立ちます。チェスの場合、敵対的検索が適しています。

特にミニマックスには

$O(b^n)$

$O(bm)$

したがって、チェスの場合、bは35、mは100になります。それを回避する方法や、アルファベータカットオフなど、より効率的な方法があります。