DeepMind بررسی گراف-نظری بازی‌های چند نفره را پیشنهاد می‌دهد

منتشرشده در Medium به تاریخ ۷ نوامبر ۲۰۲۰
لینک مطلب اصلی: DeepMind Proposes Graph-Theoretic Investigation of the Multiplayer Games Landscape

در اواسط دهه ۱۹۶۰، محققان علوم کامپیوتر و هوش مصنوعی نام حیوان خانگی «دروزوفیلا» را برای بازی شطرنج انتخاب کردند. زیست‌شناس تکاملی آمریکایی توماس مورگان با مطالعه «اتاق‌های پرواز» معروف خود کمک‌های حیاتی به این زمینه کرد و امروزه محققان هوش مصنوعی بر این باورند که بازی‌های چندنفره مانند شطرنج می‌توانند محیط‌های تجربی نسبتا ساده و قابل‌دسترس مشابه را برای تشکیل دانش مفید در مورد سیستم‌های پیچیده فراهم کنند.

در سال‌های اخیر، محققان با استفاده از تکنیک‌های یادگیری تقویتی، بازی‌های چندبازیکنی را به یک آزمون داغ برای تحقیق هوش مصنوعی تبدیل کرده‌اند تا بتوانند نمایندگان ابرانسانی در بازی‌هایی مثل شطرنج، منچ و غیره بسازند.

«با این حال، این پیشرفت می‌تواند با مشخص کردن بازی‌ها و چشم‌انداز توپولوژیکی آن‌ها اطلاعات بهتری کسب می‌کند»، این را مقاله بررسی چشم‌انداز بازی‌های چندنفره که اخیرا در Nature Communications منتشر شده‌است، بیان می‌کند. در این کار محققانی از DeepMind و Universidade de Lisboa یک جعبه‌ابزار مبتنی بر گراف را برای تحلیل و مقایسه بازی‌ها در این زمینه معرفی می‌کنند.

درک و تجزیه ویژگی‌های خاص بازی می‌تواند برای آموزش پایین‌دست نماینده‌ها از طریق یادگیری برنامه مورد استفاده قرار گیرد، که به دنبال این است که به نماینده‌ها توانایی یادگیری کارهای به طور فزاینده‌ای پیچیده را بدهد. محققان می‌گویند که شناسایی چارچوبی که بتواند وظایف پیچیده هوش مصنوعی را طبقه‌بندی، توصیف و تجزیه کند، به طور فزاینده‌ای مهم شده‌است، و آن‌ها به بازی‌های چندنفره به عنوان مرجع این حرف اشاره می‌کنند. آن‌ها چالش اصلی را به عنوان یک مساله تعریف کردند: «مساله مهندسی تولید تعداد زیادی محیط انطباقی جالب برای پشتیبانی از تحقیق».

محققان با یک سوال اساسی شروع می‌کنند: چه چیزی باعث می‌شود بازی انقدر برای نماینده جالب باشد که آن را یاد بگیرد؟ آن‌ها پیشنهاد می‌کنند که پاسخ به این سوال نیاز به تکنیک‌هایی دارد که بتواند اکتشاف را در چشم‌انداز توپولوژیکی بازی‌ها توصیف و فعال کند، « چه جالب باشند و چه نباشند.»

تیم،‌ گراف و نظریه بازی را برای تحلیل ساختار بازی‌های چندنفره با مجموع کلی. آن‌ها ابتدا به دنبال نمونه‌های محرک و بازی‌های استاندارد با ساختارهای به خوبی تعریف‌شده، از ابزار جدید برای توصیف بازی‌ها استفاده کردند و سپس آن را به مجموعه داده‌های بازی‌های تجربی در مقیاس بزرگ‌تر گسترش دادند. نمایش گراف بازی‌ها می‌تواند دیدگاه‌های مختلفی را به محققان ارائه دهد، مانند روابط انتقالی قوی که در AlphaGo آشکار شد، برنامه DeepMind که استاد بزرگ بازی Go، لی سدول را در سال ۲۰۱۶ شکست داد.

این مطالعه چشم‌انداز بازی‌ها را بررسی می‌کند و تکنیک‌هایی را برای کمک به درک فضای بازی‌ها، آموزش پایین‌دست نماینده‌ها در فضای بازی و توسعه الگوریتمی بهبود دهنده بهره، توسعه می‌دهد. این تیم می‌گوید که این کار مسیرهایی را برای اکتشاف بیشتر ویژگی‌های نظری آنالیز بازی‌های مبتنی بر گراف و نظریه مساله و کار باز می‌کند و می‌تواند از مطالعات مربوط به هندسه و ساختار بازی‌ها سود ببرد.

این مطلب با استفاده از ربات ترجمه هوشمند مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است، در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.