الدليل الفني
بحث شجرة مونت كارلو
Monte Carlo Tree Search (MCTS) هي خوارزمية تخطيط تحدد أفضل خطوة من خلال بناء شجرة بحث بشكل انتقائي ومحاكاة العديد من العقود المستقبلية المحتملة.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
It powered breakthroughs like AlphaGo and excels in games with enormous numbers of possible positions.
الغوص العميق
تجد MCTS قرارات قوية دون إجراء دراسة شاملة لكل الاحتمالات. يكرر أربع خطوات آلاف المرات: التحديد (النزول من الشجرة الحالية باستخدام قاعدة توازن بين الحركات الواعدة والتحركات غير المستكشفة)، والتوسيع (إضافة عقدة فرعية جديدة في ورقة)، والمحاكاة أو "البدء" (العب اللعبة إلى نتيجة، تاريخيًا بحركات عشوائية أو إرشادية)، والانتشار العكسي (ادفع النتيجة احتياطيًا، وتحديث عدد مرات الفوز وعدد الزيارات على طول المسار). على مدى العديد من التكرارات، تنمو الشجرة بشكل غير متماثل، مما يركز الجهد على الخطوط الواعدة. عادةً ما تكون الخطوة المختارة هي الطفل الجذر الذي تمت زيارته في أغلب الأحيان. تكمن قوتها الرئيسية في كونها "في أي وقت" وهي غير مرتبطة بالمجال إلى حد كبير: فهي تعمل من خلال قواعد اللعبة فقط، وتتحسن مع إنفاق المزيد من الحوسبة.
التنفيذ في العالم الحقيقي
AlphaGo وAlphaZero يتقنان لعبة Go والشطرنج والشوغي من خلال الجمع بين MCTS والشبكات العصبية
محركات الألعاب العامة لألعاب الطاولة مثل Hex وOthello وSettlers of Catan
تخطيط التركيب الرجعي في الكيمياء، والبحث عن أشجار التفاعل لتركيب الجزيئات المستهدفة
توجيه التفكير متعدد الخطوات أو إنشاء التعليمات البرمجية في أنظمة LLM الحديثة من خلال البحث في خطوات المرشح
مستقبل شجرة مونت كارلو البحث
يتم دمج MCTS بشكل متزايد مع التعلم العميق، كما هو الحال في AlphaZero وMuZero، حيث يتعلم الأخير نموذجه الخاص للبيئة حتى يتمكن MCTS من التخطيط دون إعطاء القواعد. وبعيدًا عن ألعاب الطاولة، فإنها تمتد إلى الجدولة، والتخطيط للتخليق الكيميائي، وإثبات النظرية، وكطبقة متعمدة من "الاستدلال القائم على البحث" على نماذج لغوية كبيرة لتحسين حل المشكلات متعدد الخطوات.
وضعها موضع التنفيذ
لماذا يهم
- التكلفة والميزانية. تؤدي قرارات الهندسة المعمارية إلى زيادة الأداء وتكلفة التشغيل لسنوات.
- قرارات أوضح. يساعد التعليم الفني الفرق على اختيار المجموعة المناسبة، وليس فقط المجموعة الأحدث.
- مراقبة الجودة. تعمل الخيارات الهندسية الأفضل على تقليل حوادث الموثوقية في الإنتاج.
احترس من
- يمكن أن يؤدي تحسين معيار واحد إلى إخفاء نقاط ضعف النظام الأوسع.
- غالبًا ما يتم التقليل من تكاليف البنية التحتية والصيانة.
- يمكن أن تنمو الفجوات الأمنية وقابلية المراقبة عندما تصبح الأنظمة أكثر تعقيدًا.
الخطوات التالية
- تحديد الكمون والجودة وأهداف التكلفة قبل التنفيذ.
- المعيار في ظل ظروف التحميل والبيانات الواقعية.
- مراقبة الأدوات للأخطاء والانجراف وتأثير المستخدم.
- قم بإعداد مسارات التراجع والاستجابة للحوادث قبل القياس.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Monte Carlo Tree Search quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
What is Monte Carlo Tree Search?
Monte Carlo Tree Search (MCTS) هي خوارزمية تخطيط تحدد أفضل خطوة من خلال بناء شجرة بحث بشكل انتقائي ومحاكاة العديد من العقود المستقبلية المحتملة. لقد دعمت اختراقات مثل AlphaGo وتتفوق في الألعاب ذات الأعداد الهائلة من المواضع المحتملة.
ما هي الخطوات الأربع الرئيسية لتكرار البحث عن شجرة مونت كارلو؟
يحدد كل تكرار لـ MCTS مسارًا أسفل الشجرة، ويوسع عقدة جديدة، ويحاكي النتيجة، ويعيد نشر النتيجة لتحديث الإحصائيات.
ما الذي توازنه صيغة اختيار UCT؟
يضيف UCT مكافأة استكشاف تنمو للعقد التي نادرًا ما تتم زيارتها، مما يؤدي إلى موازنة استغلال التحركات المعروفة واستكشاف التحركات غير المؤكدة.
في MCTS الكلاسيكية، ماذا يحدث أثناء خطوة "المحاكاة" (الطرح)؟
يؤدي الطرح إلى تشغيل اللعبة من العقدة الموسعة حديثًا إلى نتيجة نهائية (تقليديًا عبر حركات عشوائية أو إرشادية) لتقدير قيمة تلك العقدة.
What roles did AlphaGo’s policy and value networks play in its MCTS search?
The 2016 AlphaGo system combined Monte Carlo simulation with policy and value networks, and also retained a fast rollout policy.
بعد العديد من التكرارات، كيف تختار MCTS عادةً الخطوة النهائية للعب؟
عادةً ما يتم اختيار الطفل الجذر الأكثر زيارة لأن الاستكشاف المكثف يعكس الثقة المستمرة في قوة تلك الحركة.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع