Imọ Itọsọna
Monte Carlo Tree Search
Wiwa Igi Monte Carlo (MCTS) jẹ algoridimu igbero ti o pinnu gbigbe ti o dara julọ nipa yiyan igi wiwa ati ṣiṣe adaṣe ọpọlọpọ awọn ọjọ iwaju ti o ṣeeṣe.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Akopọ
O ṣe agbara awọn awaridii bii AlphaGo ati tayọ ni awọn ere pẹlu awọn nọmba nla ti awọn ipo ti o ṣeeṣe.
Jin Dive
MCTS wa awọn ipinnu ti o lagbara laisi ṣiṣe ayẹwo ni kikun gbogbo iṣeeṣe. O tun ṣe awọn igbesẹ mẹrin ni ẹgbẹẹgbẹrun awọn igba: Yiyan (sọkalẹ igi ti o wa tẹlẹ nipa lilo ofin ti o ṣe iwọntunwọnsi awọn gbigbe ti o ni ileri lodi si awọn ti a ti ṣawari), Imugboroosi (fi ọmọ tuntun kan kun ni ewe kan), Simulation tabi 'yipo' (ṣe ere naa si abajade, itan-akọọlẹ pẹlu ID tabi awọn gbigbe heuristic), ati Afẹyinti (Titari abajade gba pada si oke ati kika kika). Lori ọpọlọpọ awọn iterations igi naa n dagba ni aipe, ni idojukọ ipa lori awọn laini ti o ni ileri julọ. Awọn Gbe ti a ti yan jẹ maa n ni root ọmọ ṣàbẹwò julọ igba. Agbara bọtini rẹ jẹ 'nigbakugba' ati ni pataki agbegbe-agnostic: o ṣiṣẹ lati awọn ofin ere nikan, ni ilọsiwaju bi a ti lo iṣiro diẹ sii.
Real-World imuse
AlphaGo ati AlphaZero mastering Go, chess, ati shogi nipa apapọ MCTS pẹlu awọn nẹtiwọọki nkankikan
Awọn ẹrọ ṣiṣe ere gbogbogbo fun awọn ere igbimọ bii Hex, Othello, ati Awọn olugbe ti Catan
Eto retrosynthesis ni kemistri, wiwa awọn igi idahun lati ṣajọpọ awọn ohun elo ibi-afẹde
Idari ero-igbesẹ pupọ tabi iran koodu ni awọn eto LLM ode oni nipasẹ wiwa lori awọn igbesẹ oludije
Ojo iwaju ti Monte Carlo Tree Search
MCTS ti ni idapọ pọ si pẹlu ẹkọ ti o jinlẹ, bi ninu AlphaZero ati MuZero, igbehin ti nkọ awoṣe tirẹ ti agbegbe ki MCTS le gbero laisi fifun awọn ofin. Ni ikọja awọn ere igbimọ, o n tan kaakiri si ṣiṣe eto, igbero iṣelọpọ kemikali, imọ-jinlẹ ti n fihan, ati bi ‘ero orisun-iwadi’ ti o mọọmọ lori awọn awoṣe ede nla lati mu ilọsiwaju iṣoro-igbesẹ lọpọlọpọ.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- Iye owo ati isuna. Awọn ipinnu faaji ṣe awakọ iṣẹ ati idiyele iṣẹ fun awọn ọdun.
- Awọn ipinnu diẹ sii. Ẹkọ imọ-ẹrọ ṣe iranlọwọ fun awọn ẹgbẹ lati yan akopọ to tọ, kii ṣe ọkan tuntun nikan.
- Iṣakoso didara. Awọn yiyan imọ-ẹrọ to dara julọ dinku awọn iṣẹlẹ igbẹkẹle ni iṣelọpọ.
Ṣọra fun
- Ṣiṣepe ala-ilẹ kan le tọju awọn ailagbara eto ti o gbooro.
- Awọn ohun elo amayederun ati awọn idiyele itọju nigbagbogbo ni aibikita.
- Aabo ati awọn ela akiyesi le dagba bi awọn eto ṣe di eka sii.
Next awọn igbesẹ
- Ṣetumo lairi, didara, ati awọn ibi-afẹde idiyele ṣaaju imuse.
- Aṣepari labẹ ẹru ojulowo ati awọn ipo data.
- Abojuto ohun elo fun awọn aṣiṣe, fiseete, ati ipa olumulo.
- Mura ipadasẹhin pada ati awọn ipa ọna esi iṣẹlẹ ṣaaju iwọn.
Tesiwaju Ṣiṣawari
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the Monte Carlo Tree Search quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
Kini Monte Carlo Tree Search?
Wiwa Igi Monte Carlo (MCTS) jẹ algoridimu igbero ti o pinnu gbigbe ti o dara julọ nipa yiyan igi wiwa ati ṣiṣe adaṣe ọpọlọpọ awọn ọjọ iwaju ti o ṣeeṣe. O ṣe agbara awọn aṣeyọri bi AlphaGo ati pe o tayọ ni awọn ere pẹlu awọn nọmba nla ti awọn ipo ti o ṣeeṣe.
Kini awọn igbesẹ akọkọ mẹrin ti aṣetunṣe Igi Monte Carlo kan?
Kọọkan MCTS aṣetunṣe yan ọna kan si isalẹ awọn igi, faagun titun kan ipade, simulates ohun abajade, ati backpropagates awọn esi lati mu awọn iṣiro.
Kini iwọntunwọnsi agbekalẹ yiyan UCT?
UCT ṣe afikun ajeseku iwakiri ti o dagba fun awọn apa ti a ṣabẹwo ṣọwọn, iwọntunwọnsi ilokulo awọn gbigbe ti o dara ti o mọ pẹlu wiwa awọn ti ko ni idaniloju.
Ni Ayebaye MCTS, kini o ṣẹlẹ lakoko igbesẹ 'kikopa' (yilọ)?
Yiyi yiyi ṣe ere naa lati oju ipade tuntun ti o gbooro si abajade ebute kan (ni aṣa nipasẹ laileto tabi awọn gbigbe heuristic) lati ṣe iṣiro iye ipade naa.
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.
Lẹhin ọpọlọpọ awọn iterations, bawo ni MCTS ṣe maa n gbe gbigbe ikẹhin lati ṣere?
Ọmọ gbongbo ti o ṣe abẹwo julọ julọ ni a yan ni igbagbogbo nitori iṣawari iwuwo n ṣe afihan igbẹkẹle iduroṣinṣin ninu agbara gbigbe yẹn.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii