Resource-constrained Amazons chess decision framework integrating large language models and graph attention

Created by

Haebom

저자

Tianhao Qian, Zhuoxuan Li, Jinde Cao, Xinli Shi, Hanjie Liu, Leszek Rutkowski

💡 개요

본 논문은 자원 제약 환경에서 아마존 체스 게임의 의사결정 성능 향상을 위해 대규모 언어 모델(LLM)과 그래프 기반 학습을 결합한 경량화된 하이브리드 프레임워크를 제안한다. 제안된 방법론은 Graph Attention Autoencoder를 이용해 LLM의 생성 데이터를 구조적으로 필터링하고, Stochastic Graph Genetic Algorithm으로 평가 신호를 최적화한다. 이를 통해 기존 방법론 대비 15%~56%의 성능 향상을 달성하며, 일반 모델보다 뛰어난 경쟁력을 보여준다.

🔑 시사점 및 한계

•

경량화된 하이브리드 구조를 통해 자원 제약 환경에서도 고성능 게임 AI 개발이 가능하다.

•

LLM의 일반적 생성 능력과 그래프 기반 학습의 구조적 추론 능력을 결합하여 약한 지도 학습에서도 효과적인 일반화를 달성할 수 있다.

•

GPT-4o-mini와 같은 범용 파운데이션 모델로부터 특정 게임에 특화된 고성능 AI를 진화시킬 수 있음을 입증한다.

•

아직 10x10 보드 크기에 대한 실험만 진행되었으며, 더 큰 보드 크기나 다른 복잡한 전략 게임으로의 확장 가능성 및 성능 검증이 필요하다.

PDF 보기

Made with Slashpage