Kamil Lee의 개발 일기
@Kamil Lee
Gumbel AlphaZero 핵심 알고리즘 구현 심층 분석
지금까지 Gumbel AlphaZero의 이론을 바탕으로 실제 코드에서 어떻게 구현되어 있는지에 대해 이야기합니다.
#shogi
@Kamil Lee
Gumbel AlphaZero 핵심 알고리즘 2: 정책 학습
탐색으로 얻은 더 나은 수를 신경망에 되돌리는 정책 학습 단계를 다룹니다. 방문 횟수 분포를 목표로 삼던 기존 AlphaZero와 무엇이 달라졌는지 비교했습니다.
@Kamil Lee
Gumbel AlphaZero 핵심 알고리즘 1: 행동 선택
시뮬레이션 횟수가 적으면 정책 개선을 보장하지 못하는 PUCT의 한계를, Gumbel AlphaZero가 루트 노드와 내부 노드에서 서로 다른 전략으로 푸는 방식을 정리했습니다.
@Kamil Lee
Gumbel AlphaZero 소개 및 기본 탐색 알고리즘
Gumbel AlphaZero에 대한 소개부터 기존 AlphaZero와의 차이점 등에 대해 이야기합니다.
@Kamil Lee
SPSA: 게임 AI를 위한 파라미터 자동 조정 기법
수동 튜닝과 베이즈 최적화가 쇼기 AI에서 부딪힌 한계를 짚고, 모든 파라미터를 동시에 흔들어 기울기를 추정하는 SPSA가 왜 게임 AI 튜닝에 잘 맞는지 정리했습니다.
@Kamil Lee
보난자 메서드(Bonanza Method) 해설
2017년 전왕전에서 명인을 꺾은 포난자의 뿌리인 보난자 메서드를 살펴봅니다. 기보 학습으로 평가 함수를 최적화하는 이 기법이 이후 NNUE까지 이어지는 과정을 정리했습니다.
@Kamil Lee
컴퓨터 쇼기에 딥러닝을 적용하기 위해
알파베타 탐색에 의존하던 쇼기 AI가 왜 딥러닝으로 옮겨갔는지, 기물 투입 규칙이 만드는 복잡성과 정책 네트워크의 역할을 2023년까지의 연구 흐름과 함께 정리했습니다.