AI pode resolver o cubo de Rubik em segundos, sem qualquer conhecimento de domínio específico

• A nova abordagem de aprendizado de reforço profundo chamada DeepCubeA pode resolver o cubo de Rubik em alguns segundos.
• O modelo de aprendizado profundo pode ser aplicado a vários outros campos, incluindo robótica e ciências naturais.

A inteligência artificial (IA) já provou ser bem-sucedida no xadrez e no Go, mas os quebra-cabeças mais difíceis, como o cubo de Rubik, não foram resolvidos por meio da inteligência da máquina. É um quebra-cabeça clássico de combinação que apresenta desafios únicos e intrigantes para o aprendizado de máquina.
Embora técnicas de aprendizado de máquina tenham sido usadas anteriormente para resolver o cubo de Rubik, elas não conseguiram resolver o quebra-cabeça de maneira eficiente e confiável. Além disso, essas técnicas tiveram que contar com conhecimento de domínio específico.
Agora, pesquisadores da Universidade da Califórnia, Irvine, desenvolveram uma abordagem de aprendizado de reforço profundo chamada DeepCubeA, que pode resolver um quebra-cabeça incrivelmente complexo sem nenhum conhecimento de domínio específico. Ele pode resolver um cubo de Rubik em poucos segundos, sem treinamento de humanos no jogo.

À medida que as dimensões aumentam, a complexidade do quebra-cabeça combinatório subjacente aumenta dramaticamente. Encontrar uma solução ótima para o quebra-cabeça 15, por exemplo, leva uma fração de segundo em um computador convencional, enquanto encontrar uma solução ótima para o quebra-cabeça 24 pode levar dias na mesma máquina.

Neste estudo, os pesquisadores tentaram desenvolver um modelo de aprendizado de máquina que pode aprender a resolver uma variedade de quebra-cabeças sem depender do conhecimento humano específico do domínio. Eles combinaram três abordagens de última geração para desenvolver DeepCubeA -

1. Aprendizagem profunda
2. Reforço clássico (iteração de valor aproximado)
3. Métodos de localização de caminhos (pesquisa de peso A *)

Consiste em um algoritmo de aprendizado de reforço profundo que usa uma função de política e valor combinada com a Pesquisa em Árvore de Monte Carlo para resolver o Cubo de Rubik.

Os pesquisadores usaram a estrutura de aprendizado profundo TensorFlow para treinar a rede - ela foi treinada em cerca de 10 bilhões de simulações do quebra-cabeça embaralhado e concluído. Todo o processo foi realizado por cerca de 1.000.000 de iterações, que duraram 36 horas.

Referência:Natureza | DOI:10.1038 / s42256-019-0070-z | UCI | Demonstração online

Depois de treinado, o DeepCubeA conseguiu atingir 100% de precisão durante cada configuração de teste, encontrando o caminho mais curto para o estado final 60,3% do tempo.

DeepCubeA usa uma função heurística que nunca superestima o custo de um caminho mais curto. A pesquisa A * ponderada tem certos limites em quanto o comprimento da solução pode variar em relação ao comprimento de uma solução ótima.

Aplicativos além dos quebra-cabeças combinatórios

A equipe de pesquisa também treinou DeepCubeA em outros quebra-cabeças, incluindo 24 quebra-cabeças, Lights Out e Sokoban. Ele foi capaz de encontrar o caminho mais curto na maioria dos casos verificáveis.

O objetivo final de estudos [como este] é desenvolver modelos de aprendizagem profunda de última geração que possam ser aplicados em campos que vão além dos quebra-cabeças combinacionais, que vão da robótica às ciências naturais.

Já interagimos com IA diariamente por meio de buscadores e aplicativos como Alexa e Siri. No entanto, esses sistemas não são realmente inteligentes:eles podem ser facilmente manipulados ou enganados.

Leia:A nova IA do jogo de pôquer pode destruir muitas empresas online - portanto, os desenvolvedores não a estão lançando

Precisamos construir IA que seja mais robusta, mais inteligente e capaz de compreender, raciocinar e planejar. O estudo é um pequeno passo em direção a esse objetivo enorme.