Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Si bien AlphaZero ha alcanzado un rendimiento excepcional en juegos de mesa, presenta dificultades en escenarios que requieren una comprensión integral de todo el tablero (por ejemplo, el reconocimiento de patrones a largo plazo en Go). En este artículo, proponemos ResTNet, que alterna bloques residuales y bloques transformadores para conectar el conocimiento local y global. ResTNet mejora la tasa de victorias en varios juegos de mesa (Go 9x9: 54,6 % → 60,8 %, Go 19x19: 53,6 % → 60,9 %, Go 19x19 hexadecimal: 50,4 % → 58,0 %) y gestiona eficazmente patrones a largo plazo, como los patrones circulares y de escalera en Go 19x19. Reduce el error cuadrático medio del reconocimiento de patrones circulares de 2,58 a 1,07, reduce la probabilidad de ataque contra programas adversarios del 70,44 % al 23,91 % y mejora la precisión del reconocimiento de patrones en escalera del 59,15 % al 80,01 %. La visualización de mapas de atención proporciona información sobre el proceso de toma de decisiones de AlphaZero al capturar conceptos importantes de juego tanto en Go como en Hex. ResTNet presenta un enfoque prometedor para la integración del conocimiento local y global, allanando el camino para algoritmos más eficaces basados en AlphaZero para juegos de mesa. El código se puede encontrar en https://rlg.iis.sinica.edu.tw/papers/restnet .
