やねうら王では、FV_SCALEという思考エンジンオプションが存在する。これは、評価値を計算する関数(評価関数と呼ばれる)が値を返す直前に割り算するときに用いられる。 static_eval(静的な評価値) = 内部的に計算した評価値 / FV_SCALE となっている。 ちなみに探索した評価値は、歩の価値が100となるようにスケーリングしなおしてGUI側に出力している。 やねうら王では、 PAWN_VALUE(歩の価値) = 90 なので、 GUI側に出力している評価値 = 100 × eval(探索した評価値) / PAWN_VALUE となる。 この90は、少し小さくしておかないと評価値が16bit符号付き整数の範囲に収まらないことがあったからそうしてある。 また、このFV_SCALEのデフォルト値は16である。 これが16なのはなぜなのかと言うと、Bonanzaのソースコードでそう

機械学習のフレンズが大好きなKaggleでChess AIのコンペが始まっています。 https://www.kaggle.com/competitions/fide-google-efficiency-chess-ai-challenge/ 優勝賞金は$15,000。わりともらえます。将棋AIの大会でもここまで高額な賞金の大会は近年は見かけません。 しかし、実行環境はRAMが5MiBしかありません。Stockfishはそのままでは動きません。(たぶん) ここで動くChess AIを書くだけでも骨が折れそうです。 また、投稿できるファイルサイズは(すべてのファイルを圧縮した合計が)64KiBまでです。この制限もかなり厳しいですね。 (これ以上書くとヒントになりそうなので、詳しいことは大会終了後に書きます。) また、Kaggle世界ランク2位のガチ強豪であるc-numberさんのチームも参加

ふかうら王(dlshogi互換エンジン)のインストール手順を詳しく解説した動画をYouTubeで公開しました。 dlshogiのインストールが難しすぎて挫折した方にご覧いただきたいです。 この動画は、やねうら王の支援者の … 続きを読む → The post ふかうら王のインストール手順の詳しい動画を公開しました！ first appeared on やねうら王 公式サイト.

将棋AIでは、教師(教師局面)を生成して、そこから評価関数パラメーターの学習を行っている。AlphaZeroなんかもそうしている。 教師は、実際に対局して生成する。ところが、この対局は、1手指すごとに何千とか何万とかの局面を探索しないといけない。Deep Learning(以下DLと略す)系の将棋AIの場合、何千とか何万の局面を探索すということは、その回数だけ推論を行うということである。普通、学習は、順伝播 逆伝播で、順伝播のコストをCとすると、逆伝播は2Cぐらい、つまり合計で3Cぐらいの計算コストを要するのだが、推論(これは順伝播)はCだから、要するに学習は3倍のコストを要する。ところが、教師生成時に1手指すのに仮に1万局面探索するとしたら、10000Cかかるわけで、これは学習コスト(3C)の3333倍である。 というように、教師生成のコストは学習時のコストとは比較にならないほどのコスト

先月末(30日)から、2日間、第5回将棋AI電竜戦本戦が開催された。正式名称は「文部科学大臣杯第5回世界将棋AI電竜戦本戦」と言う。ここでは、「第5回電竜戦」と書くことにする。 文部科学大臣杯第5回世界将棋AI電竜戦本戦 https://denryu-sen.jp/denryusen/dr5_production/dr1_live.php 第5回電竜戦には、私も「水匠チーム」と「Ryfamate with やねうら王」として参加していた。(本大会のルールとして、2チームから参加できる) 水匠チームは、たややんさんがShogiHomeを動かしているマシンで配信しながらであったため、時間切れ負けになったりして、何局か落としたようだ。(配信用に負荷をかけると何か問題が起きるようであった。) 結果、4位。 「Ryfamate with やねうら王」は、借りたクラウドのマシンがネットワーク環境が良く

Deep Learningで将棋の評価関数の学習を行う。仮に、ResNetと呼ばれる画像識別でよく用いられるアーキテクチャを評価関数に使うとしよう。 このとき、ResNetのブロック数(≒層の数)を増やしたり、幅(中間層の特徴量の数)を広げたりすると学習能力は高くなる。 層数が20ブロックで幅が256のことをResNet20x256というように表記するとして、ResNet20x256とResNet18x288とではどちらが優れているか？みたいな問題がある。 いま話を簡単にするために1回の推論に要する時間はほぼ同じAとBのアーキテクチャがあり、どちらが優れているかを判断したいとする。 本当は、サチる(これ以上学習できなくなる)ところまで実際に学習させてみて、その時のaccuracy(強いソフトの棋譜の指し手を正解手としてそれとの一致率)が高いほうを見るのが手堅いのだが、サチるまで学習させる計

KMC(京大マイコンクラブ)の人がKMCの合宿用の資料を作成されたのですが、その資料がとてもよく出来ているので紹介させていただきます。 プログラムを高速化する話(京大 マイコンクラブ) http://www.slideshare.net/KMC_JP/ss-45855264 magic bitboardの話が出てきていて、「pext 命令の追加により実質役割を終えた」とあり、この人、よく勉強しているなーと感心しました。 ちなみにその話題自体は、私も去年の10月に以下の記事として取り上げました。 BMI使ってますか？ http://d.hatena.ne.jp/LS3600/20141011 これらは単なる偶然ではなく、CPU寄りの高速化は(メモリ)キャッシュの汚染の問題を除くと、SIMDやビット演算の問題に帰着することが多く、ビット演算の高速化技法をどれだけ理解しているかが高速化するための

やねうら王関連のドキュメントは、やねうら王のGitHubのWikiに整理して公開している。 やねうら王Wiki https://github.com/yaneurao/YaneuraOu/wiki ところが、このGitHubのWikiは、☆500以上獲得するまでGoogleにインデックスされない(Googleの検索結果に出てこない)のだ。 やねうら王のGitHubは8年目であるし、現在、GitHub Sponsors + FANBOXで1ヶ月20万円程度獲得している程度の規模感なのだが、昨日やっと☆500になったばかりである。(めでたい。やっとGoogleの検索結果に出てくる！) そんなわけで、平均的な個人のプロジェクトはGitHubで☆500なんでまず獲得できないので、(Google検索で引っかかって欲しいなら)GitHubのWikiを使うなというのが私からのアドバイスである。 その代わ

先週末、第5回世界将棋AI電竜戦TSECが開催された。毎回、このような将棋AIの大会が行われると御自分の作った将棋AIを公開する開発者が一定数おられる。 様々な将棋AIが無償で公開されるのは大変喜ばしいことである。数年後、数十年後に、2024年の大会に出場した◯◯は、こんな強さでこんな棋風でこんな定跡を搭載していたというように、あとになって振り返るのにもちょうどいいだろう。 このように上位の将棋AIが公開されると、「最強◯◯、インストール方法！」みたいなどこかのアフィリエイトブログに記事があがる。そういう記事は、インストールの仕方を丁寧に説明してくれているので、パソコン初心者にとってはきっとありがたいことだろう。 しかし、そういう記事では、やねうら王を探索部として使っていてやねうら王の実行ファイルが同時に配布されているというのに、必ずと言っていいほどやねうら王のGitHubにリンクすら貼ら

「大人の数トレチャンネル」(YouTube)に私が出演した時の後編の動画があまり再生回数が伸びてないので改めて紹介をさせていただく次第である。 このブログでも以前ちらっと書いた、「将棋ソフトを開発して3000万円損した話」が出てくる。(詳しい内容については動画をご覧いただきたい) それとは関係ないのだが、動画の内容に関連して、いくつか補足しておきたいことがある。 AI界隈では、「プロ棋士 VS 将棋AI」という構図が「人間 VS AI」の縮図だと言われることが多々ある。例えば、これは「将棋AIのようにAIが人間を打ち負かしたあとは、○○○な未来になっていく」みたいな文脈で用いられる。 しかし、人間が将棋AIに抵抗してきた歴史について当事者視点で語ってあるブログや書籍はあまりに少なく、そのへんの情報がまるで伝わっていないように思う。 そこで、本記事では私が当事者視点でだらだらと書いていく。

Appleが発売しているスマートウォッチApple Watch Series 9にて、将棋AIやねうら王・ふかうら王を動作させることに成功した猛者が現れた。 エンジンは動くものの、GUIがないので現状では人間が対局をすることはできない。そこで、floodgate(将棋AIの対局場)に接続して対局させたところ、floodgateでR3873のレートがついたそうな。 人間のトップがfloodgateではR3000～3300ではないかと言われているので、人間のトップよりはだいぶ強い。 5万円ぐらいの腕時計でわりと動くんだなぁという印象。 また、ふかうら王(Deep Learning型の将棋AI)も動くというのも驚きである。Apple Watchにも機械学習用チップのNeural Engineが搭載されているため、8コアぐらいのデスクトップ向けCPUで、(CPUのみで)実行するのと同じぐらいの速度

2045年頃にシンギュラリティが起きると言われている。技術の進歩が予想以上に速いことから、これが早まる可能性があると考える研究者も多い。 私はシンギュラリティはもう来てるんじゃないかと思っている。今回はその根拠について少し書く。 岡谷貴之さんの『深層学習』(第二版)には「student gradient descent」という言葉が出てくる。ちなみに、この本は第一版から大量にページが追加されて、第一版とは全く別の内容となっているので、第一版を買った人も是非第二版を手にとって欲しい。 さて、このように大学院生がランダムな思いつきを端から試すことで得られた深層学習のアイデアやテクニックやらがたくさんあるのが現在のこの界隈の状況である。 彼らは決してIQ 500のような超知能を持つわけではないが、彼らが試行錯誤することにより技術的な前進が得られているわけである。 つまり、シンギュラリティに必要な

いまどきの将棋AIでは、GUIと思考エンジンとは分離している。GUI部分は、いままで将棋所、ShogiGUIが二大巨頭であり、これ以外の無償で使えるGUIソフトウェアには使い勝手の良いものがなかった。 GUIと思考エンジンとはUSIプロトコルと呼ばれる標準入出力を介するプロトコルでやりとりを行う。このUSIプロトコルには色々設計上まずい点があり、思考エンジン側を作るに際して、それを拡張して改善したいのだが、USIプロトコルを勝手に拡張したところで将棋所やShogiGUIが対応してくれなければそれまでだし、将棋所とShogiGUIはソースコードが公開されているわけでもないので思考エンジン開発者は手も足も出ないという閉塞的な状況であった。そのような状況が将棋所公開以降現在に至るまで(17年間)続いていたわけである。 私はこのような状況を嘆き憂いて、やねうら王チャンネルにこれを問題提起する動画を

やねうら王 V8.30の公開に伴い、やねうら王のWikiの「やねうら王のインストール手順」のページを刷新したので、インストール関連の質問はこの記事のコメント欄で受け付けます。お気軽にどうぞー。 関連リンク やねうら王 GitHub : やねうら王のソースコードや使い方についてはここに資料があります。 やねうら王 GitHub – Releases : やねうら王の新しいバージョンや評価関数などはここからダウンロードできます。 やねうら王 GitHub – Releases やねうら王 V8.30 GitHub版 : やねうら王V8.30 GitHub版の実行ファイルのダウンロードはここから。 やねうら王 Wiki : やねうら王の使い方について資料が一式あります。 やねうら王 Wiki やねうら王インストール手順 : やねうら王のインストール手順についてはここに完全な説明があります。

Mac mini(M2)買いました！ これでやっとMac用のやねうら王、ふかうら王(dlshogi互換エンジン)のビルドテストができる。😁 今月中には、支援者向けにMac用の実行ファイル一式配布するぞー！ pic.twitter.com/RAACiAH5hX — やねうら王 (@yaneuraou) June 5, 2024 事の発端は、昨日の記事に書いたようにElectron将棋がmacOSで動くので、「macOS用のやねうら王を用意せねば！」と思ったことである。 AWSでMac miniのインスタンスが借りられるので、これを借りればいいやと思ってまずAWSを試してみることにしたのだ。 しかし調べてみると大阪リージョンにはMac miniのインスタンスの貸出しはなく、東京リージョンでもmac1.metal(Intel系)しかなく、新しいMac mini(M1以降)は、借りられないようで

将棋AIで用いている詰将棋ルーチンにdf-pnというアルゴリズムがある。 これは、proof number(証明数)、disproof number(非証明数)を用いて効率的に探索を行い、その局面が詰むか、詰まないかを判定できるとても強力なアルゴリズムである。 将棋ファンなら『脊尾詰』と言う「ミクロコスモス」(1525手詰)を解く詰将棋専用ソフトについて一度ぐらいは聞いたことぐらいあるだろう。これは、脊尾さんが大学時代に作成されたプログラムである。そこに使われていたのが脊尾さんが考案されたdf-pnというアルゴリズムである。 df-pnに関しては、脊尾さん自身の論文(1998年)があるものの、要点しか書かれておらず、いまのようにGitHubにソースコードがあるわけでもなく、その詳細については長らく謎に包まれたままであった。(この脊尾さんの論文では、証明数のみを用いており、非証明数は陽には出

コンピュータ囲碁の世界では、長きに亘り良い評価関数を設計できずに苦心していました。評価関数というのは、人間で言うと大局観に当たる部分です。この部分をうまく設計するのが強い囲碁ソフトを作る上で必要不可欠なのですが、それは職人のような作業だと言われていました。 そのあとAlphaZeroが現れたことにより、評価関数は人間が設計したものより、ニューラルネットワーク(以下NNと記す)のほうがうまく表現できることが証明されました。このことは、コンピュータ囲碁プログラマの敗北であると同時に新たな時代の幕開けでした。 一方、コンピュータ将棋の世界は少し様相が異なりました。コンピュータ将棋では、2005年にBonanza6が取り入れた、王様とそれ以外の任意2駒といういわゆる三駒関係(KPP)を10年以上使ってきました。途中でNDF[2014]が手番を入れてKPPT(Tは手番ではなくTurnのT)型に進化し

去る5月3日～5日に開催された第34回世界コンピュータ将棋選手権(以下WCSC34と略す)について、私の視点で書きたいことをいくつか書いておきたい。 今回、優勝したのは「お前、CSA会員にならねーか？」(以下、たぬきと記す)である。この作者は、たぬきシリーズの作者の野田さん(nodchip)だ。 関連記事 : その名は「お前、CSA会員にならねーか？」2024年・世界コンピュータ将棋選手権、チャンピオン決定！(Yahooニュース) : https://news.yahoo.co.jp/expert/articles/3490be9ce374b0afe114ca3d6e5a422d0db85923 今回のたぬきは、Deep Learning型の将棋AIではなく、従来型(NNUE系と言われている)の将棋AIである。 nnue-pytorchについて 今年に入ってから、NNUE系はいくつかの大き

これを書くの何度目かわからないが、将棋AIを無償で入手できる時代は疾うに終わりを告げた。dlshogiのモデルファイルは2021年の8月に公開されたのが最後であり、水匠は水匠5を最後に、水匠6,7,8は公開されず、tanuki-シリーズの最新版『Lí-VENGE』は有償公開となり、やねうら王の探索部の開発版(公開版より一回り強い)は、やねうら王の支援者に向けて発行されるやねうら王News Letterでのみの公開となった。 このような状況では、プロやアマ強豪は棋書を書くに際してどの将棋AIを使えば良いのか迷うところであろう。 上の棋書には「神研究」と称して将棋AIが使われているのだが、将棋AIとして、dlshogi(WCSC33)と水匠DR4の読み筋が挙げられている。 どちらも非公開のバージョンである。これは何なのかと言うと、HEROZの棋神アナリティクスと言うサービスで使える2つの将棋A

Winnyの金子勇さんが考案された機械学習アルゴリズムED法を再現して実装した人がいていま話題になっている。 『Winny』の金子勇さんの失われたED法を求めて…いたら見つかりました https://qiita.com/kanekanekaneko/items/901ee2837401750dfdad いまから書くことは私の記憶頼りなので間違ってたらコメント欄で教えて欲しい。 1998年ごろだと思うのだが、私はWinnyの金子勇さんのホームページの熱心な読者だった。(ページも全部保存してたので私のHDDを漁れば出てくると思うが、すぐには出せない。) Winnyのβ版が発表されたのが2002年なのでそれよりはずいぶん前である。 当時、金子さんはNekoFightという3D格闘ゲームを公開されていた。そのゲームには、自動的に対戦から学習するAIが搭載されていた。 当時の金子さんのホームページの