YoloYamb
Vrhunski neuronski igrač jamba
Vrhunska neuronska mreža sa 7 miliona parametara koja je sama naučila sve varijante jamba igrajući protiv sebe 3 miliona puta, bez ikakve ljudske pomoći. Radi direktno u tvom pregledaču.
Da igraš protiv YoloYamba, samo izaberi računar kao protivnika u bilo kojoj igri sa pet kockica.
Inspirisan AlphaZero-om, YoloYamb je neuronska mreža zasnovana na transformeru (arhitekturi koja pokreće ChatGPT), napravljena 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 je modelu potrebno da donese odluku.
- Tokenizator
- Stanje igre se pretvara u 14 različitih tokena. Po jedan je za svaku kolonu, po jedan za svaku kockicu i jedan za celokupno stanje. Svaki token je vektor u prostoru sa 192 dimenzije.
- Zajednički trup
- Tri transformer bloka, svaki sa četiri glave pažnje. Kao u LLM-u, svaki token posmatra sve ostale. Kockice posmatraju kolone, kolone posmatraju kockice, a kolone posmatraju i jedna drugu.
- Strategija
- Još tri transformer bloka posvećena odlučivanju o sledećem potezu. Glava za upis bira koje polje da popuni, a glava za zadržavanje bira koje kockice da zadrži za ponovno bacanje.
- Vrednost
- Predviđa koliko poena još sledi iz bilo koje pozicije. Usmerava AI tokom treninga. U igri ne bira poteze, ali se koristi za prikaz predviđenog konačnog rezultata YoloYamba tokom poteza.
- Za stolom
- Za razliku od AlphaZero-a, YoloYamb ne koristi pretragu dok igra. Čita sve informacije, ocenjuje svaki dozvoljeni potez i instinktivno igra najbolji. Pretraga i tačni rešavači korišćeni su samo tokom treninga, kao njegovi učitelji.
Igra sam protiv sebe
YoloYamb je odigrao oko 200.000 partija protiv sebe i učio iz toga kako se svaka završila.
Uči iz jednostavnih rešenih pozicija
Računar je izračunao savršen potez u 493.000 pozicija na mnogo jednostavnijim listićima, a YoloYamb je naučio da ih ponovi.
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 je učio da ga prati.
Učenje o sreći
U još oko 2,7 miliona partija naučio je da svaki potez ocenjuje po ishodu partije, umanjenom za to koliko su kockice bile srećnije od očekivanog.
