ترجمه فارسی مقاله هوش مصنوعی انعطاف پذیر بازی با AlphaViT: سازگاری با چندین بازی و اندازه تخته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Flexible game-playing AI with AlphaViT: adapting to multiple games and board sizes
عنوان مقاله به فارسی هوش مصنوعی انعطاف پذیر بازی با AlphaViT: سازگاری با چندین بازی و اندازه تخته
نویسندگان Kazuhisa Fujita
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 25 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 25 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper presents novel game AI agents based on the AlphaZero framework, enhanced with Vision Transformers (ViT): AlphaViT, AlphaViD, and AlphaVDA. These agents are designed to play various board games of different sizes using a single model, overcoming AlphaZero's limitation of being restricted to a fixed board size. AlphaViT uses only a transformer encoder, while AlphaViD and AlphaVDA contain both an encoder and a decoder. AlphaViD's decoder receives input from the encoder output, while AlphaVDA uses a learnable matrix as decoder input. Using the AlphaZero framework, the three proposed methods demonstrate their versatility in different game environments, including Connect4, Gomoku, and Othello. Experimental results show that these agents, whether trained on a single game or on multiple games simultaneously, consistently outperform traditional algorithms such as Minimax and Monte Carlo tree search using a single DNN with shared weights, while approaching the performance of AlphaZero. In particular, AlphaViT and AlphaViD show strong performance across games, with AlphaViD benefiting from an additional decoder layer that enhances its ability to adapt to different action spaces and board sizes. These results may suggest the potential of transformer-based architectures to develop more flexible and robust game AI agents capable of excelling in multiple games and dynamic environments.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله عوامل جدید بازی AI بر اساس چارچوب Alphazero ، با ترانسفورماتور Vision (VIT) تقویت شده است: Alphavit ، Alphavid و Alphavda.این عوامل برای انجام بازی های مختلف تخته در اندازه های مختلف با استفاده از یک مدل واحد طراحی شده اند و بر محدودیت Alphazero در محدودیت محدودیت به اندازه تخته ثابت غلبه می کنند.Alphavit فقط از یک رمزگذار ترانسفورماتور استفاده می کند ، در حالی که Alphavid و Alphavda حاوی رمزگذار و رمزگذار هستند.رمزگذار Alphavid ورودی را از خروجی رمزگذار دریافت می کند ، در حالی که Alphavda از یک ماتریس قابل یادگیری به عنوان ورودی رمزگشایی استفاده می کند.با استفاده از چارچوب Alphazero ، سه روش پیشنهادی تطبیق پذیری خود را در محیط های مختلف بازی از جمله Connect4 ، Gomoku و Othello نشان می دهند.نتایج تجربی نشان می دهد که این عوامل ، چه در یک بازی واحد و چه در چندین بازی به طور همزمان آموزش دیده ، به طور مداوم از الگوریتم های سنتی مانند جستجوی درخت مینکس و مونت کارلو با استفاده از یک DNN منفرد با وزن های مشترک بهتر عمل می کنند ، در حالی که به عملکرد Alphazero نزدیک می شوند.به طور خاص ، Alphavit و Alphavid عملکرد قدرتمندی را در سراسر بازی ها نشان می دهند ، با Alphavid از یک لایه رمزگشایی اضافی بهره می برد که توانایی آن در سازگاری با فضاهای مختلف و اندازه تخته را افزایش می دهد.این نتایج ممکن است پتانسیل معماری های مبتنی بر ترانسفورماتور را برای توسعه عوامل انعطاف پذیر تر و قوی تر AI AI نشان دهد که قادر به تعالی در چندین بازی و محیط های پویا هستند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.