Hallo Leute,

einige von Euch werden es vielleicht bei Talkchess verfolgt haben: es gibt mittlerweile eine Engine, die auf einer Art KI basiert, nämlich auf einem Künstlichen Neuronalen Netz. Sie trainiert sich anhand von Partiedaten selbst und spielt bereits ziemlich stark.

Neuronale Netze sind nicht neu, allerdings ermöglicht es die moderne Hardware Netze mit großer Tiefe und vielen Freiheitsgraden auf riesigen Datenmengen zu trainieren. Man spricht von "Deep Learning".

http://www.heise.de/newsticker/meldu...u-2817567.html

Viele Grüße
Theo

__________________
Meine Schachfotos
Schachcomputer

Womöglich wird es irgendwann neuronale Schachcomputer geben.

Im Grundprinzip war ja auch der Mephisto III ein , wenn auch ein etwas schwacher, Vorläufer davon. Allerdings konnte er nicht dazulernen.

Gruß, Udo

Hallo Leute,

es war absehbar und nun ist es soweit.

Das Team von Google DeepMind hat nach Go jetzt auch Schach mit einem auf Künstlichen Neuronalen Netzen basierenden Algorithmus angegangen.

Nach 4 Stunden "Gegen-Sich-Selbst-Spielen" war bei AlphaZero bereits genug Spielverständnis da, um gegen Stockfish zu gewinnen. Allerdings vermutlich nicht auf herkömmlicher Hardware.

Ich bin gespannt wie es weitergeht. Ein paar Partien finden sich hier:

https://chess24.com/en/watch/live-to...tockfish/1/1/1

Viele Grüße
Theo

PS: Ich habe mir gerade die erste Partie angeschaut. AlphaZero hat erst einen Bauern und dann eine Figur mit scheinbar kaum Kompensation geopfert. Langfristig. Und gewonnen. Siehe Screenshot im Anhang.

Miniaturansicht angehängter Grafiken

 

__________________
Meine Schachfotos
Schachcomputer

Hallo Theo,

vielen Dank für den hoch interessanten Link. Sieht spektakulär aus. Natürlich wäre es wichtig, diverse Rahmenbedingungen dieses Wettkampfs, wie z.B. verwendete Hardware, etc. zu kennen.

Gruß
Egbert

Hallo Egbert,

Stockfish lief wohl auf einer Hardware mit 64 Threads. AlphaZero lief auf 4 TPUs. Was auch immer das für die Vergleichbarkeit bedeutet.

Stockfish 8 analysierte dabei 80 Millionen Stellungen pro Sekunde. AlphaZero nur 70 Tausend, also Faktor 1000 weniger. Dabei verwendete AlphaZero den Monte-Carlo tree search (MCTS) Algorithmus für die Suche, statt wie üblich Alpha-Beta.

Mehr Details kann man in dem gestern eingereichten Paper nachlesen unter:

https://arxiv.org/pdf/1712.01815v1.pdf

Gruß
Theo

__________________
Meine Schachfotos
Schachcomputer

Vielen Dank Theo, das ist beeindruckend. Das Projekt werde ich sicher verfolgen

Gruß
Egbert

Absolut sagenhaft, wie AlphaZero frei von jeder Norm für Menschen teilweise absolut seltsame Züge auf dem Brett ausführt

Nach den gespielten Partien habe ich das Gefühl, dass die Wertigkeit von den einzelnen Figuren noch stärker von der jeweiligen Stellung abhängt, als bisher angenommen. So banale Unterschiede wie etwa "guter Läufer und schlechter Läufer" können wir als Menschen problemlos erfassen, aber genau in solchen Wertigkeiten gibt es offenbar mehr Tiefe, als bisher angenommen.

Mich würde interessieren, wie bei AlphaZero der Wert einer Figur berechnet wird. Momentan gehe ich davon aus, dass AlphaZero die Figuren auf dem Brett nicht als einzelne Elemente sieht, sondern als ein einziges Element. Praktisch einen einzigen Knoten, den es zu lösen gilt.

Wenn das Matt als die einzig feste Ordnung definiert ist und jede andere Stellung auf dem Brett die kein Matt darstellt als Unordnung definiert ist, versucht AlphaZero aufzuräumen. Da es keinen fest vorgeschrieben Weg gibt (keine 32 Steiner Tablebases), muss AlphaZero sich selbst die Logik des "Rätsels" beibringen.

Wenn es eine Logik gibt, die wir Menschen mit unseren bisherigen Engines nicht erfassen können, dann wäre es bahnbrechend.

Ein zu Null Ergebnis gegen Stockfish 8 ist Wahnsinn!! Nicht eine Partie ging Remis aus!

Ich hoffe, dass wir noch mehr Partien von dem Biest zur Analyse bekommen.

Genau das dachte ich mir auch. Offenbar ist nach menschlichen Maßstäben "gesundes" Schach gar nicht so gut. Speziell in der Eröffnung werden Züge gemacht, die schlecht aussehen, aber anscheinend spielbar sind.

In geschlossenen Stellungen scheint mir sehr viel Vorsicht geboten zu sein, um sich bloß nicht irgendeine Schwäche zu geben oder in eine Art latenten Zugzwang zu geraten.

Gruß
Wolfgang

Ich habe nur schnell einen Blick auf das Paper geworfen, aber welche Bücher sind verwendet worden? Bei den Partien sind sehr viele ähnliche Zugfolgen dabei, d.h. die statistische Aussagekraft ist fraglich. Auch müsste man noch untersuchen, welche Gründe (aus Sicht einer klassischen Engine) die Verlustpartien haben. Ist es taktische Kurzsichtigkeit (Stockfish schneidet gnadenlos Verzweigungen im Suchbaum ab, das könnte sich hier rächen), unzureichende Bewertung (also identifizierbare Schwächen) oder werden hier strategische Schwächen deutlich wie z.B. nicht entwickelte Figuren, die eben nicht mehr rechtzeitig eingreifen können und Stockfish erkennt das zu spät?

Ein Tag, den man sich auf jeden Fall im Kalender anstreichen sollte. Das sich die Erkenntnisse von AlphaGo Zero so schnell auf Schach übertragen lassen, hätte ich nie gedacht. Und das Alpha Zero sogar AlphaGo Zero schlägt, das wiederum AlphaGo Lee etc. dominiert hat ... einfach nur erstaunlich.

Im Paper wird ja sogar noch darauf hingewiesen, dass das Spiel Go strukturell neuronalen Netzen entgegen kommt. Nur bei Schach liegen die Dinge etwas anders, dachte ich zumindest.

Der auch in vielen anderen Dingen verwendete MCTS scheint sich doch universeller verwenden lassen, als ich bisher für möglich gehalten habe.

Was das Thema KI angeht, hat sich das Jahr 2017 (hiermit und mit den Erfolgen im Go Bereich) einen sehr festen Platz in der Geschichte erobert. Gratulation und Respekt an das Google Team!

Bleibt nur noch die Frage: Wer portiert das jetzt auf den 65C02, damit wir es im Exclusive nutzen können?

Stay tuned ...
Carsten

__________________
ChessLab BCS - http://google.com/+CarstenMeyer