AI kan Rubik's Cube binnen enkele seconden oplossen, zonder enige specifieke domeinkennis

• De nieuwe leermethode voor diepe versterking, DeepCubeA genaamd, kan de Rubiks kubus binnen enkele seconden oplossen.
• Het deep learning-model kan worden toegepast op verschillende andere gebieden, waaronder robotica en natuurwetenschappen.

Kunstmatige intelligentie (AI) is al succesvol gebleken in schaken en Go, maar moeilijkere puzzels zoals Rubiks kubus zijn niet opgelost via machine-intelligentie. Het is een klassieke combinatiepuzzel die unieke en intrigerende uitdagingen vormt voor machine learning.

Hoewel er eerder machine learning-technieken zijn gebruikt om de Rubiks kubus op te lossen, hebben ze de puzzel niet efficiënt en betrouwbaar kunnen oplossen. Ook moesten deze technieken steunen op specifieke domeinkennis.

Nu hebben onderzoekers van de Universiteit van Californië, Irvine, een diepgaande leeraanpak ontwikkeld, genaamd DeepCubeA, die een ongelooflijk complexe puzzel kan oplossen zonder enige specifieke domeinkennis. Het kan een Rubiks kubus binnen een paar seconden oplossen zonder in-game coaching van mensen.

Naarmate de afmetingen toenemen, neemt de complexiteit van de onderliggende combinatorische puzzel dramatisch toe. Het vinden van een optimale oplossing voor de puzzel van 15 duurt bijvoorbeeld een fractie van een seconde op een conventionele computer, terwijl het vinden van een optimale oplossing voor de puzzel van 24 dagen kan duren op dezelfde machine.

In deze studie probeerden onderzoekers een machine learning-model te ontwikkelen dat kan leren hoe verschillende puzzels kunnen worden opgelost zonder afhankelijk te zijn van domeinspecifieke menselijke kennis. Ze combineerden drie geavanceerde benaderingen om DeepCubeA te ontwikkelen –

1. Deep learning
2. Klassieke versterking (iteratie met geschatte waarde)
3. Methoden voor het vinden van paden (zoeken naar gewicht A*)

Het bestaat uit een diep versterkend leeralgoritme dat een beleids- en waardefunctie gebruikt in combinatie met Monte Carlo Tree Search om de Rubik's Cube op te lossen.

Onderzoekers gebruikten het deep learning-framework van TensorFlow om het netwerk te trainen - het werd getraind op ongeveer 10 miljard simulaties van de gecodeerde en voltooide puzzel. Het hele proces werd uitgevoerd voor ongeveer 1.000.000 iteraties die 36 uur duurden.

Referentie:Natuur | DOI:10.1038/s42256-019-0070-z | UCI | Online demo

Eenmaal getraind, was DeepCubeA in staat om 100% nauwkeurigheid te bereiken tijdens elke testconfiguratie en 60,3% van de tijd de kortste weg naar de eindtoestand te vinden.

DeepCubeA gebruikt een heuristische functie die nooit de kosten van een kortste pad overschat. De gewogen A*-zoekopdracht heeft bepaalde grenzen aan hoeveel de lengte van de oplossing kan verschillen van de lengte van een optimale oplossing.

Toepassingen die verder gaan dan combinatorische puzzels

Het onderzoeksteam heeft DeepCubeA ook getraind in andere puzzels, waaronder 24 puzzels, Lights Out en Sokoban. Het was in staat om in de meeste verifieerbare gevallen de kortste weg te vinden.

Het uiteindelijke doel van studies [zoals deze] is om de volgende generatie deep learning-modellen te ontwikkelen die kunnen worden toegepast op gebieden die verder gaan dan combinatiepuzzels, variërend van robotica tot natuurwetenschappen.

We communiceren al dagelijks met AI via zoekmachines en apps zoals Alexa en Siri. Deze systemen zijn echter niet echt intelligent:ze kunnen gemakkelijk worden gemanipuleerd of voor de gek gehouden.

Lezen:Nieuwe pokerspelende AI kan veel online bedrijven vernietigen - dus ontwikkelaars geven het niet vrij

We moeten AI bouwen die robuuster en slimmer is en beter kan begrijpen, redeneren en plannen. De studie is een kleine stap in de richting van dit enorme doel.