SeterusnyaPanduan seterusnya
Rantaian Markov Monte Carlo
Teknikal
PANDUAN Teknikal
Carian Pokok Monte Carlo (MCTS) ialah algoritma perancangan yang menentukan langkah terbaik dengan membina pepohon carian secara selektif dan mensimulasikan banyak kemungkinan masa hadapan.
Dengar panduan iniAI-diceritakan · ~2 min
It powered breakthroughs like AlphaGo and excels in games with enormous numbers of possible positions.
MCTS mencari keputusan yang kukuh tanpa mengkaji secara menyeluruh setiap kemungkinan. Ia mengulangi empat langkah beribu-ribu kali: Pemilihan (turun pepohon sedia ada menggunakan peraturan yang mengimbangi langkah yang menjanjikan berbanding langkah yang kurang diterokai), Peluasan (tambah nod anak baharu pada daun), Simulasi atau 'pelancaran' (mainkan permainan ke hasil, mengikut sejarah dengan pergerakan rawak atau heuristik), dan Rambatan Balik (tolak ke atas semula keputusan dan mengemas kini mengira laluan). Dalam banyak lelaran pokok itu tumbuh secara tidak simetri, menumpukan usaha pada garisan yang paling menjanjikan. Langkah yang dipilih biasanya adalah anak akar yang paling kerap dikunjungi. Kekuatan utamanya ialah 'bila-bila masa' dan sebahagian besarnya domain-agnostik: ia berfungsi berdasarkan peraturan permainan sahaja, bertambah baik apabila lebih banyak pengiraan dibelanjakan.
AlphaGo dan AlphaZero menguasai Go, catur dan shogi dengan menggabungkan MCTS dengan rangkaian saraf
Enjin permainan umum untuk permainan papan seperti Hex, Othello dan Settlers of Catan
Perancangan retrosintesis dalam kimia, mencari pokok tindak balas untuk mensintesis molekul sasaran
Membimbing penaakulan berbilang langkah atau penjanaan kod dalam sistem LLM moden dengan mencari langkah calon
MCTS semakin digabungkan dengan pembelajaran mendalam, seperti dalam AlphaZero dan MuZero, yang terakhir mempelajari model persekitarannya sendiri supaya MCTS boleh merancang tanpa diberi peraturan. Di luar permainan papan, ia merebak ke penjadualan, perancangan sintesis kimia, pembuktian teorem, dan sebagai lapisan 'penaakulan berasaskan carian' yang disengajakan ke atas model bahasa yang besar untuk meningkatkan penyelesaian masalah berbilang langkah.
Newsletter percuma
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Carian Pokok Monte Carlo (MCTS) ialah algoritma perancangan yang menentukan langkah terbaik dengan membina pepohon carian secara selektif dan mensimulasikan banyak kemungkinan masa hadapan. Ia menghasilkan kejayaan seperti AlphaGo dan cemerlang dalam permainan dengan banyak kemungkinan kedudukan.
Setiap lelaran MCTS memilih laluan ke bawah pepohon, mengembangkan nod baharu, mensimulasikan hasil dan menyebarkan kembali hasil untuk mengemas kini statistik.
UCT menambah bonus penerokaan yang berkembang untuk nod yang jarang dilawati, mengimbangi mengeksploitasi langkah yang diketahui-baik dengan meneroka yang tidak pasti.
Pelancaran memainkan permainan daripada nod yang baru dikembangkan kepada hasil terminal (secara tradisinya melalui pergerakan rawak atau heuristik) untuk menganggarkan nilai nod itu.
The 2016 AlphaGo system combined Monte Carlo simulation with policy and value networks, and also retained a fast rollout policy.
Anak akar yang paling banyak dilawati biasanya dipilih kerana penerokaan berat mencerminkan keyakinan yang berterusan terhadap kekuatan langkah itu.
Teruskan belajar
Lebih banyak panduan dipilih untuk topik ini
SeterusnyaPanduan seterusnya
Rantaian Markov Monte Carlo
Teknikal