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.
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.
Igra sam protiv sebe
YoloYamb je odigrao oko 200.000 partija protiv sebe i učio iz toga kako je svaka završila.
Uči iz jednostavnih riješenih pozicija
Računalo je izračunalo savršen potez u 493.000 pozicija na puno jednostavnijim listićima, a YoloYamb ih je naučio ponoviti.
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.
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.
