AI Dapat Memecahkan Kubus Rubik Dalam Beberapa Detik, Tanpa Pengetahuan Domain Tertentu
- Pendekatan pembelajaran penguatan mendalam baru bernama DeepCubeA dapat memecahkan kubus Rubik dalam beberapa detik.
- Model deep learning dapat diterapkan ke berbagai bidang lain, termasuk robotika dan ilmu alam.
Artificial Intelligence (AI) telah terbukti berhasil dalam catur dan Go, tetapi teka-teki yang lebih sulit seperti kubus Rubik belum dipecahkan melalui kecerdasan mesin. Ini adalah teka-teki kombinasi klasik yang menghadirkan tantangan unik dan menarik untuk pembelajaran mesin.
Meskipun teknik pembelajaran mesin sebelumnya telah digunakan untuk memecahkan kubus Rubik, mereka gagal memecahkan teka-teki secara efisien dan andal. Juga, teknik ini harus bergantung pada pengetahuan domain tertentu.
Sekarang, para peneliti di University of California, Irvine, telah membangun pendekatan pembelajaran penguatan mendalam bernama DeepCubeA yang dapat memecahkan teka-teki yang sangat kompleks tanpa pengetahuan domain tertentu. Itu dapat memecahkan kubus Rubik dalam beberapa detik tanpa pelatihan dalam game dari manusia.
Seiring bertambahnya dimensi, kompleksitas teka-teki kombinatorial yang mendasarinya meningkat secara dramatis. Menemukan solusi optimal untuk 15 teka-teki, misalnya, membutuhkan waktu sepersekian detik di komputer konvensional, sedangkan menemukan solusi optimal untuk 24 teka-teki bisa memakan waktu berhari-hari di mesin yang sama.
Dalam penelitian ini, peneliti mencoba mengembangkan model pembelajaran mesin yang dapat mempelajari cara memecahkan berbagai teka-teki tanpa bergantung pada pengetahuan manusia yang spesifik domain. Mereka menggabungkan tiga pendekatan canggih untuk mengembangkan DeepCubeA –
- Pembelajaran mendalam
- Penguatan Klasik (perkiraan nilai iterasi)
- Metode pencarian jalur (pencarian bobot A*)
Ini terdiri dari algoritme pembelajaran penguatan mendalam yang menggunakan fungsi kebijakan dan nilai yang dikombinasikan dengan Pencarian Pohon Monte Carlo untuk memecahkan Kubus Rubik.
Para peneliti menggunakan kerangka kerja pembelajaran mendalam TensorFlow untuk melatih jaringan – jaringan tersebut dilatih pada sekitar 10 miliar simulasi teka-teki yang diacak dan selesai. Seluruh proses dilakukan selama sekitar 1.000.000 iterasi yang memakan waktu 36 jam.
Referensi:Alam | DOI:10.1038/s42256-019-0070-z | UCI | Demo Daring
Setelah dilatih, DeepCubeA mampu mencapai akurasi 100% selama setiap konfigurasi pengujian, menemukan jalur terpendek ke status akhir sebanyak 60,3%.
DeepCubeA menggunakan fungsi heuristik yang tidak pernah melebih-lebihkan biaya jalur terpendek. Pencarian A* berbobot memiliki batasan tertentu pada seberapa banyak panjang solusi dapat bervariasi dari panjang solusi optimal.
Aplikasi Selain Puzzle Kombinatorial
Tim peneliti juga melatih DeepCubeA pada teka-teki lain, termasuk 24 teka-teki, Lights Out, dan Sokoban. Itu dapat menemukan jalur terpendek di sebagian besar kasus yang dapat diverifikasi.
Tujuan akhir dari studi [seperti ini] adalah untuk mengembangkan model pembelajaran mendalam generasi berikutnya yang dapat diterapkan di bidang di luar teka-teki kombinasional, mulai dari robotika hingga ilmu alam.
Kami sudah berinteraksi dengan AI setiap hari melalui mesin pencari dan aplikasi seperti Alexa dan Siri. Namun, sistem ini tidak benar-benar cerdas:mereka dapat dengan mudah dimanipulasi atau dibodohi.
Baca:AI Pemain Poker Baru Dapat Menghancurkan Banyak Perusahaan Online – Jadi Pengembang Tidak Melepaskannya
Kita perlu membangun AI yang lebih kuat, lebih cerdas, dan mampu memahami, menalar, dan merencanakan. Studi ini merupakan langkah kecil menuju tujuan besar ini.
