俺氏、将棋が二人零和有限確定完全情報ゲームでないことに気づいてしまうｗｗｗ | やねうら王 公式サイト
このブログをご覧の方は将棋が二人零和有限確定完全情報ゲームであることはご存知でしょう。これは、ゲーム理論や探索アルゴリズムの教科書にでも載っています。「二人零和有限確定完全情報ゲームって何？」って方は、Wikipediaでも見ていただくことにして話を先に進めます。 零和とは？ この「零和」というのは、和が零。英語で言うとゼロサムです。 零和（「ゼロ和」と読むのが一般的だが「レイワ」とも読む）：プレイヤー間の利害が完全に対立し、一方のプレイヤーが利得を得ると、それと同量の損害が他方のプレイヤーに降りかかる https://ja.wikipedia.org/wiki/二人零和有限確定完全情報ゲーム つまり、自分が勝ちなら、相手は負け。相手が勝ちなら自分は負け。勝ちを+1点、負けを-1点、引き分けを0のように定めるなら、(ゲーム終局後に)自分と相手の点数を足すと0になる。なので、ゼロサムゲームと
df-pnアルゴリズムを用いた詰将棋Solverによる最善解・余詰の導出 - すぎゃーんメモ
以前書いた、詰将棋問題生成の続き。 memo.sugyan.com 逆算による詰将棋の問題生成の方法自体は悪くないとして (バグによって有り得ない局面が出来上がったりしてしまったりもしたけど)、正しく詰将棋問題として成立するものが出来上がっているかどうかを検証するためのSolverが必要不可欠であり、これのパフォーマンスが生成のパフォーマンスにも影響してくる、というようなことを書いた。 実際、前回の記事のときに実装したSolverでは 総当たり的に探索するのは3〜5手が限界 詰将棋のルールに則る動きに限定しても、有り得る局面は指数関数的に増加する 合駒が絡む問題に対して正しく解が導けないことがある 先の展開まで読まないと無駄な合駒かどうかの判定ができない といった問題があった。 df-pnアルゴリズムによる探索 2002年の論文「df-pn アルゴリズムの詰将棋を解くプログラムへの応用」が
ニューラルネットから遺伝的アルゴリズムまで、将棋は機械学習で強くなる
人工知能は、学習することでさらに強くなります。学習こそが人工知能の肝であり、人工知能のエネルギーです。 これまでは将棋プログラムを例に、人工知能のアルゴリズムとして第8回では「評価関数」、第9回では「先読み」、そして前回は「枝刈り」を解説しました。 ただ、これらのアルゴリズムを単純に取り入れるだけでは、優れた人工知能プログラムはできません。評価関数のパラメータをどのように設定するのか、何手先まで先読みするか、どの手法で枝刈りをするのか、どのタイミングで深読みするのか、そもそもどの思考アルゴリズムを採用するか…こうした自由度の調整が、人工知能の強さや精度を大きく左右します。 これらの調整のために必要なのが、データに基づき人工知能に自ら学習させる、いわゆる「機械学習」です。 将棋プログラムにおいて、盤面を評価する評価関数のパラメータを人間が設定する場合、その人間が持っている知識や知能以上のパラ
ChainerでオセロのAIをつくってみる ～後編～ - Qiita
はじめに この記事は「ChainerでオセロのAIをつくってみる ～前編～」の続編です。 この記事を読む前に前編をお読みいただけると幸いです。 前編 教師データの変換 MLPの設計 モデルのトレーニングと保存 後編(この記事) オセロゲームへの実装 プレイアブルかどうかの確認（ルールを逸脱せずにゲームできるか） ここでプレイアブルでないと分かったら、MLPモデルの作成に戻る というわけで、前編で作成したトレーニング済みのモデルを使用して、MLPモデルを使用したAIをオセロゲームに実装しました。 オセロゲームアプリは「wxPythonでオセロをつくろう」で作成したものを流用します。 オセロゲームアプリのソースコードやトレーニング済みのモデルはGitHubに上げてありますので、そちらから取得してください。 オセロゲームアプリ説明 wxPythonで作成したアプリです。動作にはwxPythonの
ChainerでオセロのAIをつくってみる ～前編～ - Qiita
はじめに 以前、「Pylearn2で三目並べのAIをつくってみる」という記事を書きました。 このときは問題を簡単にして三目並べにしましたが、今回はオセロのAIをニューラルネットワークで作成するという当初の目標にチャレンジします。 トライ＆エラーが多い記事になるかもしれませんがご容赦ください。 今回はDeep Learning用ライブラリとしてChainerを使ってみます。 記事は2部構成です。 前編(この記事) 教師データの変換 MLPの設計 モデルのトレーニングと保存 後編 オセロゲームへの実装 プレイアブルかどうかの確認（ルールを逸脱せずにゲームできるか） ここでプレイアブルでないと分かったら、MLPモデルの作成に戻る 後編でAIの実装を行いますが、上手くいかなければ、ニューラルネットワークの構成から考え直すことになります... →動作確認と結論が出ました 教師データの準備 こちらから
Google DeepMindの人工知能(AI)「AlphaGo」を頑張って理解する - Qiita
つい最近まで、囲碁でのAIとプロ棋士の勝負はまだ10年かかると言われていました。しかし、今年3月にGoogle DeepMindの人工知能(AI)「AlphaGo」は李世乭九段に4勝1敗という歴史的大勝を実現しました。 どうしてもその強さの秘密を知りたい！「TensorFlowチュートリアル - 熟練者のためのディープMNIST」を実行できるレベルのAI初心者なのに、頑張ってAlphaGoを理解しようとする試みに挑戦しました。この記事はそのメモです。 主な参考文献は、下記のとおりです。 Mastering the Game of Go with Deep Neural Networks and Tree Search 囲碁AI “AlphaGo” はなぜ強いのか? RocAlphaGo Project Wiki AlphaGo基本構成 一言で言えば、MCTS+ConvNetです。 MCTS
はてなグループの終了日を2020年1月31日(金)に決定しました - はてなの告知
はてなグループの終了日を2020年1月31日(金)に決定しました 以下のエントリの通り、今年末を目処にはてなグループを終了予定である旨をお知らせしておりました。 2019年末を目処に、はてなグループの提供を終了する予定です - はてなグループ日記 このたび、正式に終了日を決定いたしましたので、以下の通りご確認ください。 終了日: 2020年1月31日(金) エクスポート希望申請期限:2020年1月31日(金) 終了日以降は、はてなグループの閲覧および投稿は行えません。日記のエクスポートが必要な方は以下の記事にしたがって手続きをしてください。 はてなグループに投稿された日記データのエクスポートについて - はてなグループ日記 ご利用のみなさまにはご迷惑をおかけいたしますが、どうぞよろしくお願いいたします。 2020-06-25 追記 はてなグループ日記のエクスポートデータは2020年2月28
将棋におけるperftの世界記録を更新中 | やねうら王 公式サイト
perft 9できました。 いまperft 9が終わった。将棋の初期局面から9手で到達できる局面の数がわかった。(手順前後込み) 11.6兆局面あるようだ。正確な数字は次のツイートで書く。次はperft 10だ。俺は将棋のperftの世界記録を更新する。(たぶんperft 9以降まだ誰もやってなかったはず) — やねうら王 (@yaneuraou) December 14, 2015 perft depth = 9 nodes = 11661472222632 , captures = 192307327995 , promotion = 96264455880 , checks = 83245184398 checkmates = 657904 — やねうら王 (@yaneuraou) December 14, 2015 いまperft10に挑戦中です。 ちなみにチェスの世界ではperf
教育×WASEDA ONLINE
人とコンピューターの協調で互いに成長していく 電王戦と世界コンピュータ将棋選手権 瀧澤 武信／早稲田大学政治経済学術院教授 公益社団法人日本将棋連盟と株式会社ドワンゴ主催で、将棋の「第１期電王戦」が２０１６年春に行われることになった。この新棋戦は、自主的にエントリーしたプロ棋士とコンピュータ将棋プログラムが「第１期叡王戦（決勝は２０１５年１２月）」と「第３回将棋電王トーナメント（２０１５年１１月）」によりそれぞれ優勝者を決め、優勝者同士が先手後手１局ずつの対戦を行う、というものである。 ここでは、これまでのプロ棋士とコンピュータ将棋プログラムの対戦とコンピュータ将棋選手権の歴史を述べる。コンピュータ将棋の仕組みについては文献[１][２]を参照されたい。本稿では、プロ棋士の段位等は対局時のもので表している。 ２００７年３月２１日の「第１回大和証券杯」特別対局でBonanza（保木邦仁氏作）と
30分でBonanzaの評価関数の要点を話します！ | やねうら王 公式サイト
自力で機械学習に取り組んでおられる方もそうでない方もこんにちは！ 電王トーナメント直前対策ということで、いまから30分でBonanzaの評価関数の要点を話します。 私のほうも時間があまりないので書きなぐります。 まず、BonanzaではKKP/KPPのために駒に番号がついています。 BonanzaはC(C++ではなく)で書かれているので、この番号の格納されている型はenumですが、ここではこの型をBonaPieceと呼ぶことにします。 BonaPieceは先手の歩が0枚のとき0、先手の歩が1枚のとき1、…というように1500ほどあります。 f_hand_pawnに始まり、末尾はfe_endとなっています。 このfとかeとかfeとかは何でしょうか？ これはfはfriend、eはenemyの略です。手番側、相手番側、みたいな意味です。 とは言え、evaluate関数は先手番から見た評価値を計算
コンピューター将棋「目的達した」終了宣言へ NHKニュース
将棋のトップ棋士に勝つことを目的に、コンピューター将棋の開発に取り組んできた学会のプロジェクトが「目的を達した」として、終了宣言を出すことが分かりました。羽生善治四冠などのタイトルホルダーとの公式の対戦は実現していませんが、学会は、ここ数年のプロ棋士との対局データを元に分析した結果、「トップ棋士に統計的に勝ち越す可能性が高い」としています。 そして、その年の１０月に行われた対局で、当時の清水市代女流王将を破ったほか、その後、プロジェクトのメンバーらも参加して３年前から行われているプロ棋士とコンピューターソフトが対戦する「電王戦」でも、これまでコンピューターが通算１０勝５敗と互角以上の成績を残しています。 さらに学会では、ここ数年の対局データをもとに、独自に「レーティング」という実力の指標になる数値を算出したところ、最強のコンピューターソフトの実力は、去年７月の段階で、プロのＡ級１０人の平均
棋譜からの学習時におけるメモリ仮想化ソリューションについて | やねうら王 公式サイト
棋譜からの学習時に結構メモリを必要とするのは深刻な課題です。何故なら、メモリの許す限り大きな評価関数(パラメーターの数がたくさん！)にしたいのですが、棋譜からの学習時には、その評価関数のパラメーターのサイズの10倍〜20倍ぐらいのメモリを必要とするからです。 そこで、今回はそれを力技でなんとかする方法を紹介します。 まず、学習時に必要なメモリ、例えば、パラメーターの勾配を記録しておくところはread-modify-writeは不要なので、シリアルにファイルに書き出してしまいます。 例えば、仮想メモリ、address = 0x1234に対して値を+1するという情報を書き出したいのであれば、この仮想メモリに対するメモリブロック(例えば0x0000〜0xffffまでを一つのメモリブロックとして)に対応するファイルにその情報をシリアルに書き出します。 つまり、 0x0000〜0xffff_appe
embona - ブラウザで動くBonanzaを作ってみた(その1)
今回、ちょっとした縁によりBonanzaをブラウザで動かしてみました。Bonanza 6.0のソースコードをほぼそのまま利用して、EmscriptenでJavaScriptに変換しています。 技術的なことに興味はない、すぐに遊んでみたい！という方はこちらからどうぞ。初回に45Mほどダウンロードが発生します！ご注意ください。 http://tkihira.github.io/embona/index.html 上のURLに行くとCPU vs CPUの戦いが始まります。自分で戦いたい方は新規対局で設定してください UI周りは相当手を抜いて実装したために多数バグがあるかと思います。ご容赦ください ブラウザが固まったりしませんが、CPU思考中に手を入力したり新規対局するのには大変反応が重い（というか思考が終わるまで反応しない）のにご注意ください データダウンロードで43Mbyte、さらに内部で展開
Deep Learningを用いた将棋プログラムGunyanzaを公開しました
ディープラーニング(深層学習)というのが流行っているそうです。すべての人類はディープラーニングによって実現されたAIに隷属する未来なんですってよ!!! こわーい。 そんなバラ色の技術、いっちょかみしておきたいですよね。 さて、オフィスで社長とダベっていたところ、「将棋プログラム面白そうだよね」という話になりました。お互将棋プログラムを作って闘わせようぜ、いぇー、と盛り上がり、勢いでコンピュータ将棋選手権に申し込みまでしてしまいました。 そんな経緯で、ディープラーニングをミリしら(=1ミリも知らない)な僕が、試しにディープラーニングを使って将棋のAIを書いてみたらいいやん、と思いついたのでした。将棋も、ハム将棋でハム8枚落ちで負けるレベルくらい。ダメじゃん。 ミリしらなので、「チェスで何かやってるヤツがいるだろう」とアタリをつけてググった結果、Erik Bernhardssonさんによる d
将棋動画あんてな？、えいえい王
ヘルプ 本サイトは無料で利用できます。 JavaScript、cookieが動作しないとサイトは正常に動作しません。 プライバシーポリシーは、こちらをご覧ください。
電王戦FINAL第5局 観戦記 野月浩貴七段
・電王戦に出るにあたって 「面白い将棋を指した上で勝つ、というのが棋士の理想だと思いますが、それを両立するには物凄い実力が必要で、まだ自分にはどちらも足りないと思います」 （阿久津） ・ＡＷＡＫＥの持ち味は？ 「終盤での際どい凌ぎで逆転もできるのが魅力です。長引いて粘りのある指し手には自信があります」「勝敗には特にこだわっていません」 （ＡＷＡＫＥ開発者・巨瀬さん） 阿久津とはここ10年ほど毎年数回、棋士仲間達でスノーボードに行っていたが、対局に専念したいという理由から、今年の冬は行かなかった。 【衝撃の結末】 ２勝２敗で迎えた電王戦ＦＩＮＡＬ第５局、東京将棋会館の大広間で行われた本局は、総手数21手、各５時間の持ち時間ながら対局終了時間は開始から僅か49分後の10時49分という衝撃的な結末で終局を迎えることとなった。（図１） [画像]http://p.news.nimg.jp/photo
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
ページ移転のお知らせ
GitHub - HiraokaTakuya/apery: a USI Shogi engine.
Apery
http://openblog.meblog.biz/article/25305025.html