DeepCubeA AI lost Rubik's Kubus direct op zonder voorkennis van het domein

• De nieuwe diep versterkingsleerbenadering genaamd DeepCubeA kan de Rubik's Kubus binnen een paar seconden oplossen.
• Het diep leer model kan toegepast worden op diverse andere velden, waaronder robotica en natuurwetenschappen.

Kunstmatige Intelligentie (AI) heeft zich al bewezen in schaken en Go, maar moeilijkere puzzels als de Rubik's Kubus zijn nog niet opgelost via machine intelligentie. Het is een klassieke combinatorische puzzel die unieke en intrigerende uitdagingen biedt voor machine learning.

Hoewel machine learning technieken eerder gebruikt zijn om de Rubik's Kubus op te lossen, zijn ze niet in staat geweest om de puzzel efficiënt en betrouwbaar op te lossen. Ook moesten deze technieken vertrouwen op specifieke domeinkennis.

Nu hebben onderzoekers van de University of California, Irvine, een diep versterkingsleerbenadering genaamd DeepCubeA gebouwd die een ongelooflijk complexe puzzel kan oplossen zonder enige specifieke domeinkennis. Het kan een Rubik's Kubus binnen een paar seconden oplossen zonder in-game coaching van mensen.

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

In deze studie probeerden onderzoekers een machine learning model te ontwikkelen dat kan leren hoe een verscheidenheid aan puzzels op te lossen zonder te vertrouwen op domeinspecifieke menselijke kennis. Ze combineerden drie state-of-the-art benaderingen om DeepCubeA te ontwikkelen –

1. Diep leren
2. Klassieke Versterking (benaderende waarde-iteratie)
3. Padvindmethoden (gewogen A* zoekopdracht)

Het bestaat uit een diep versterkingsleeralgoritme dat een beleid en waardefunctie gecombineerd met Monte Carlo Tree Search gebruikt om de Rubik's Kubus op te lossen.

Onderzoekers gebruikten TensorFlow diep leer framework om het netwerk te trainen – het werd getraind op ongeveer 10 miljard simulaties van de geschudde en voltooide puzzel. Het hele proces werd uitgevoerd voor ongeveer 1.000.000 iteraties wat 36 uur duurde.

Referentie: Nature | DOI:10.1038/s42256-019-0070-z | UCI | Online Demo

Eenmaal getraind, was DeepCubeA in staat om 100% nauwkeurigheid te bereiken tijdens elke testconfiguratie, het kortste pad naar de eindtoestand vindend in 60,3% van de gevallen.

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

Toepassingen buiten combinatorische puzzels

Het onderzoeksteam trainde DeepCubeA ook op andere puzzels, waaronder 24-puzzel, Lights Out, en Sokoban. Het was in staat om het kortste pad in de meerderheid van verifieerbare gevallen te vinden.

Het uiteindelijke doel van studies [zoals deze] is om next-generation diep leer modellen te ontwikkelen die toegepast kunnen worden in velden buiten combinatorische puzzels, variërend van robotica tot natuurwetenschappen.

We interacteren al dagelijks met AI via zoekmachines en apps zoals Alexa en Siri. Echter, deze systemen zijn niet echt intelligent: ze kunnen gemakkelijk gemanipuleerd of bedrogen worden.

Lees: Nieuwe Poker-speelende AI Kan Veel Online Bedrijven Vernieten – Dus Ontwikkelaars Releasen Het Niet

We moeten AI bouwen die robuuster, slimmer en capabel is van begrip, redeneren en plannen. De studie is een kleine stap in de richting van dit massieve doel.