Desarrollo de una herramienta de ayuda a la resolución de problemas de vida y muerte de go basada en redes neuronales

Abstract

El juego del go está íntimamente ligado a la Inteligencia Artificial. El go computacional es una rama de esta disciplina que se ha encargado principalmente de desarrollar programas que jueguen al go, lo cual ha sido uno de los mayores retos pero también uno de los mayores triunfos de la Inteligencia Artificial. Un tema relacionado con el juego del go para el que también se han desarrollado programas es la resolución de problemas de vida y muerte. Estos puzles didácticos son parte fundamental del juego y una de las herramientas que utilizan los jugadores para mejorar. Este trabajo describe el proceso de creación de una herramienta de ayuda a la resolución de estos problemas, realizando una propuesta diferente que complementa a las existentes. Para ello, primeramente se explican las reglas del juego y se analizan algunos solucionadores de problemas de vida y muerte existentes, comparando sus características y limitaciones. La contribución de este trabajo es explorar la idea de colocar al usuario dentro del proceso de búsqueda de la solución, haciéndole partícipe de la resolución con el objetivo de preservar la esencia de los puzles de vida y muerte, que es el aspecto didáctico de éstos. De esta manera se busca generar un aprendizaje mediante la interacción del usuario con un modelo. Esta intención tiene consecuencias sobre el proceso de desarrollo y diseño de la aplicación. Para dar mayor control al usuario y proporcionarle ayuda, se ha entrenado un modelo estático que no realiza ninguna búsqueda pero es capaz de ofrecer recomendaciones, y se ha diseñado una herramienta que facilita la exploración de árboles de juego. Dicho modelo se basa en redes neuronales convolucionales, entrenadas en base a casi 90.000 observaciones generadas a partir del análisis y procesado de más de 19.000 puzles provenientes de 60 colecciones heterogéneas. El resultado es una aplicación web, disponible en tsumego-dive.herokuapp.com, donde el usuario puede realizar búsquedas de resolución de problemas de vida y muerte e interactuar con el modelo cuando lo necesite, pudiendo recibir hasta 10 recomendaciones de movimientos a explorar.---ABSTRACT---The game of go is closely related to Artificial Intelligence. Computational go is a branch of this discipline dedicated mainly to building go-playing programs, which has been one of the greatest challenges but also one of the greatest achievements of Artificial Intelligence. An issue related to the game of go for which programs have also been built is the resolution of life and death problems. These didactic puzzles are a fundamental part of the game and one of the tools used by players to improve their game. This paper describes the process of creating a tool to help solve these problems, through an alternative proposal that complements the existing ones. First we explain the rules of the game and analyze some existing life and death problem solvers, comparing their features and limitations. The contribution of this project is to explore the idea of placing users within the process of searching for the solution, turning them into participants in the resolution in order to preserve the essence of life and death puzzles, which is their didactic aspect. In doing so, we seek to trigger a learning process through the interaction of users with a model. This intention has consequences for the development and the design of the application. To provide users with more control and offer help, we train a static model that does not perform a search but can offer recommendations, and then we design an application to facilitate the game tree exploration. The model is composed of convolutional neural networks, trained with almost 90,000 observations, generated by analyzing and processing more than 19,000 puzzles from 60 heterogeneous collections. The result is a web application, available at tsumego-dive.herokuapp.com, where users can perform life and death problem resolution searches and interact with the model when needed, being able to receive up to 10 movement recommendations.