18 октября 2017 года DeepMind представила AlphaGo Zero в публикации Дэвида Сильвера и Демиса Хассабиса, сопровождавшей статью в Nature. В предыдущих версиях AlphaGo первым этапом было обучение на партиях людей. Zero начинала со случайной игры и получала обучающие данные из собственных партий.
Процесс объединял нейронную сеть и поиск вариантов. Система играла сама с собой, а сеть обновлялась, чтобы предсказывать ходы и конечного победителя. Обновлённая сеть снова включалась в поиск, и создавался следующий цикл партий. Вместо двух отдельных сетей выбора хода и оценки позиции использовалась одна сеть с обеими функциями.
DeepMind сообщила, что после трёх дней обучения Zero выиграла 100 партий из 100 у ранее опубликованной версии AlphaGo, сыгравшей с Ли Седолем. Этот результат относится к сравнению программ в эксперименте разработчиков.
Историческая веха заключается в продемонстрированном способе получения сильной игры без исходной базы человеческих партий. Были опубликованы описание метода и примеры сыгранных партий. Исследование показало практическую возможность строить обучение на результатах самостоятельной игры и поиска. Сеть одновременно училась выбирать продолжения и оценивать итог, а новые партии становились материалом для следующего улучшения.
Основание материала
Источники и проверка
- Официальный источник
DeepMind: AlphaGo Zero — Starting from scratch, 18 октября 2017
Прочитан оригинал источника: исторический, организационный или технический раздел.
Проверен:
Раскрытие связи
Материал входит в общий проект сайтов о го.
История продолжается.
Другие события в хронике →