Yumbee

IGRA KOCKICA I STRATEGIJE

YoloYamb

Vrhunski neuronski igrač jamba

Vrhunska neuronska mreža s 7 milijuna parametara koja je sama naučila sve varijante jamba igrajući protiv sebe 3 milijuna puta, bez ljudskog podučavanja. Radi izravno u tvom pregledniku.

Za igru protiv YoloYamba samo odaberi računalo kao protivnika u bilo kojoj igri s pet kockica.

Kako radi

Inspiriran AlphaZero-om, YoloYamb je vlastita neuronska mreža temeljena na transformeru (arhitekturi iza ChatGPT-a), izrađena od nule da igra jamb. Treniran je oko 625 sati na jednoj RTX 4090.

Ulaz
Sirovo stanje igre, uključujući kockice, listić, broj bacanja i sve najave. Sve što modelu treba za donošenje odluke.
Tokenizator
Stanje igre pretvara se u 14 različitih tokena. Po jedan je za svaki stupac, po jedan za svaku kockicu i jedan za cjelokupno stanje. Svaki token je vektor u prostoru od 192 dimenzije.
Zajednički trup
Tri transformer bloka, svaki s četiri glave pažnje. Kao u LLM-u, svaki token promatra sve ostale. Kockice promatraju stupce, stupci promatraju kockice, a stupci promatraju i jedni druge.
Strategija
Još tri transformer bloka posvećena odlučivanju o sljedećem potezu. Glava za odabir polja bira koje polje popuniti, a glava za zadržavanje kockica bira koje kockice zadržati za ponovno bacanje.
Vrijednost
Predviđa koliko bodova još slijedi iz bilo koje pozicije. Usmjerava AI tijekom treninga. U igri ne bira poteze, ali se koristi za prikaz YoloYambova predviđenog konačnog rezultata tijekom poteza.
Za stolom
Za razliku od AlphaZero-a, YoloYamb ne koristi pretraživanje dok igra. Čita sve informacije, ocjenjuje svaki dopušteni potez i instinktivno odigra najbolji. Pretraživanje i točni rješavači korišteni su samo tijekom treninga, kao njegovi učitelji.
Kako je učio
  1. Igra sam protiv sebe

    YoloYamb je odigrao oko 200.000 partija protiv sebe i učio iz toga kako je svaka završila.

  2. Uči iz jednostavnih riješenih pozicija

    Računalo je izračunalo savršen potez u 493.000 pozicija na puno jednostavnijim listićima, a YoloYamb ih je naučio ponoviti.

  3. Savršen učitelj za kraj igre

    U još 58.600 partija program koji savršeno igra poteze kad je igra pri kraju pokazivao mu je najbolji potez, a YoloYamb ga je učio pratiti.

  4. Učenje o sreći

    U još oko 2,7 milijuna partija naučio je svaki potez ocjenjivati po ishodu partije, umanjenom za to koliko su kockice bile sretnije od očekivanog.