Sciencemag.cz
Doporučujeme
Na první pohled nemá využití umělé inteligence a souvisejících technologií (strojové/hluboké učení, neuronové sítě…) na Rubikově kostce smysl, když řešení známe. Na rozdíl od šachů existuje určitý optimální postup z nějaké pozice a po jeho nalezení se už není co učit dál a jak se zdokonalovat – například tím, že bychom nechali hrát dva programy mezi sebou.
Colin G. Johnson z University of Nottingham ale nyní právě takový postup navrhl. Umělá inteligence se v tomto případě nesnaží ani tak problém přímo vyřešit, ale dokázat danou situaci zařadit do určité kategorie (podle toho, jak kolik tahů je od řešení; každá pozice tak dostane přiřazeno určité číslo) a pak najít postup, jak ji převést do kategorie příznivější. Připomíná to optimalizaci klasických šachových programů (tedy těch starších hrajících hrubou silou, naopak ne těch nových řazených do uměle inteligence).
Nejdůležitější částí úlohy je tedy vyvinout hodnotící funkci. Protože množství tahů je omezeno, stačí pak ohodnotit původní pozici i všechny takto vzniklé pozice a pak vybrat řešení, které situaci maximálně zlepší. Hluboké učení bylo použito právě pro první fázi, tedy k vývoji metody, která dokáže odhadnout uspořádanost kostky. Počet tahů z dané pozice, které chybí do řešení, představuje tréninková data, síť si vytváří nějakou vlastní reprezentaci (založenou např. na velikosti jednobarevných ploch apod.). Tréninková data se mohou generovat náhodným rozhazováním složené kostky nebo zadat zvnějšku hotová.
Rubikova kostka zde samozřejmě funguje jen jako případ, na němž probíhá vývoj a demonstrace celého přístupu. Technika by měla umožnit řešit složité problémy všude tam, kde lze postupovat krok za krokem. Colin G. Johnson uvádí např. techniku pro odstranění šumu ze starého a nyní digitalizovaného zvukového záznamu. Na každé úrovni lze čištění se bude provádět jiná operace. Nejprve je třeba rozlišit zkreslení aktuální podle úrovně a pak nasadit odpovídající postupy pro převod do úrovně lepší. Jiným příkladem využití vyvinuté techniky může být simulace skládání proteinů.
Navíc v řadě úloh uvítáme alespoň nějaké zlepšení výchozí situace, takže tento přístup bude mít smysl i tam, kde se našít celkové řešení nakonec vůbec nepovede (eventuálně lze pak od mezivýsledku zkusit jiné postupy apod.).
Colin G. Johnson. Solving the Rubik’s cube with stepwise deep learning, Expert Systems (2021). DOI: 10.1111/exsy.12665
Zdroj: TechXplore.com
Na podobné téma viz také:
Umělá inteligence se sama naučila složit Rubikovu kostku
(zde byl ale cíl trochu jiný)
Netuším, proč ty mapy článek neobsahuje, ale podařilo se mi je dohledat na stránce:
https://www.prf.upol.cz/katedra-ekologie-a-zivotniho-prostredi/vyzkum/#c40183