KI kann den Zauberwürfel innerhalb von Sekunden ohne spezifische Domänenkenntnisse lösen

• Der neue Deep Reinforcement Learning-Ansatz namens DeepCubeA kann den Zauberwürfel innerhalb weniger Sekunden lösen.
• Das Deep-Learning-Modell kann auf verschiedene andere Bereiche angewendet werden, einschließlich Robotik und Naturwissenschaften.

Künstliche Intelligenz (KI) hat sich bereits in Schach und Go bewährt, schwierigere Rätsel wie der Zauberwürfel wurden jedoch nicht durch maschinelle Intelligenz gelöst. Es ist ein klassisches Kombinationsrätsel, das einzigartige und faszinierende Herausforderungen für das maschinelle Lernen darstellt.

Obwohl zuvor Techniken des maschinellen Lernens verwendet wurden, um den Zauberwürfel zu lösen, konnten sie das Rätsel nicht effizient und zuverlässig lösen. Außerdem mussten sich diese Techniken auf spezifisches Domänenwissen stützen.

Jetzt haben Forscher der University of California, Irvine, einen Ansatz für das Deep Reinforcement Learning namens DeepCubeA entwickelt, der ein unglaublich komplexes Rätsel ohne spezifische Domänenkenntnisse lösen kann. Es kann einen Zauberwürfel innerhalb weniger Sekunden lösen, ohne dass Menschen im Spiel gecoacht werden müssen.

Mit zunehmenden Dimensionen nimmt die Komplexität des zugrunde liegenden kombinatorischen Puzzles dramatisch zu. Das Finden einer optimalen Lösung für das 15er-Puzzle dauert beispielsweise auf einem herkömmlichen Computer den Bruchteil einer Sekunde, während das Finden einer optimalen Lösung für das 24er-Puzzle Tage auf demselben Computer dauern kann.

In dieser Studie versuchten die Forscher, ein Modell für maschinelles Lernen zu entwickeln, das lernen kann, eine Vielzahl von Rätseln zu lösen, ohne sich auf domänenspezifisches menschliches Wissen zu verlassen. Sie kombinierten drei hochmoderne Ansätze, um DeepCubeA zu entwickeln –

1. Tiefes Lernen
2. Klassische Bewehrung (Annäherungswertiteration)
3. Wegfindungsmethoden (Gewichts-A*-Suche)

Es besteht aus einem Deep Reinforcement Learning Algorithmus, der eine Policy- und Value-Funktion kombiniert mit Monte Carlo Tree Search verwendet, um den Zauberwürfel zu lösen.

Die Forscher verwendeten das Deep-Learning-Framework TensorFlow, um das Netzwerk zu trainieren – es wurde auf etwa 10 Milliarden Simulationen des verschlüsselten und abgeschlossenen Puzzles trainiert. Der gesamte Prozess dauerte ungefähr 1.000.000 Iterationen, was 36 Stunden dauerte.

Referenz:Natur | DOI:10.1038/s42256-019-0070-z | UCI | Online-Demo

Nach dem Training konnte DeepCubeA bei jeder Testkonfiguration eine Genauigkeit von 100 % erreichen und in 60,3 % der Fälle den kürzesten Weg zum Endzustand finden.

DeepCubeA verwendet eine heuristische Funktion, die die Kosten eines kürzesten Pfads niemals überschätzt. Die gewichtete A*-Suche hat bestimmte Grenzen, wie stark die Lösungslänge von der Länge einer optimalen Lösung abweichen kann.

Anwendungen jenseits kombinatorischer Rätsel

Das Forschungsteam trainierte DeepCubeA auch in anderen Rätseln, darunter 24 Puzzle, Lights Out und Sokoban. In den meisten nachweisbaren Fällen konnte der kürzeste Weg gefunden werden.

Das ultimative Ziel von Studien [wie dieser] ist die Entwicklung von Deep-Learning-Modellen der nächsten Generation, die in Bereichen jenseits von Kombinationsrätseln angewendet werden können, von der Robotik bis zu den Naturwissenschaften.

Wir interagieren bereits täglich mit KI über Suchmaschinen und Apps wie Alexa und Siri. Diese Systeme sind jedoch nicht wirklich intelligent:Sie können leicht manipuliert oder getäuscht werden.

Lesen Sie:Neue Poker-Spiele-KI kann viele Online-Unternehmen zerstören – also geben Entwickler sie nicht frei

Wir müssen eine KI entwickeln, die robuster, intelligenter und in der Lage ist, zu verstehen, zu argumentieren und zu planen. Die Studie ist ein kleiner Schritt zu diesem großen Ziel.