Convolutional Neural Networks with Specific Kernels for Computer Chess

Das Kapitel untersucht die Entwicklung des Computerschachs, von frühen Brute-Force-Algorithmen bis hin zu fortgeschrittenen neuronalen Netzwerkarchitekturen. Es konzentriert sich auf die Verwendung konvolutionaler neuronaler Netzwerke (CNNs) mit speziellen Kernen, um die Leistung von Schachengines zu verbessern. Die Studie vergleicht Restnetzwerke (ResNets), MobileNet- und ConvNeXt-Architekturen und bewertet deren Effektivität in Bezug auf Latenz, Speichernutzung, Genauigkeit und mittlere quadratische Fehler (MSE). Eine Schlüsselinnovation ist die Einführung schachspezifischer Filter in den Wellenschichten, die die Bewegungsmuster verschiedener Schachfiguren nachahmen. Diese Filter wirken als Regulierer und helfen den neuronalen Netzwerken, relevante Merkmale zu extrahieren und die Leistung zu verbessern. Die experimentellen Ergebnisse, die auf dem T60-Datensatz von Selbstspielspielen basieren, zeigen, dass die Verwendung dieser Filter die Genauigkeit signifikant erhöht und den MSE-Verlust über verschiedene Netzwerkkonfigurationen hinweg verringert. Das Kapitel behandelt auch die Zielkonflikte zwischen verschiedenen Architekturen und hebt das Potenzial der MobileNet-Blöcke für eine verbesserte Genauigkeit auf Kosten erhöhter Latenz- und Speicheranforderungen hervor. Insgesamt liefert die Studie wertvolle Einsichten in die Optimierung neuronaler Netzwerke für die strategische Entscheidungsfindung in komplexen Umgebungen, was Auswirkungen sowohl auf Computerschach als auch auf umfassendere KI-Anwendungen hat.