DeepCubeA AI Memecahkan Kubus Rubik secara Instan Tanpa Pengetahuan Domain Sebelumnya
- Pendekatan deep reinforcement learning baru bernama DeepCubeA dapat memecahkan Kubus Rubik dalam beberapa detik.
- Model deep learning ini dapat diterapkan ke berbagai bidang lain, termasuk robotika dan ilmu pengetahuan alam.
Buatan Pintar (AI) telah terbukti sukses dalam catur dan Go, tetapi teka-teki yang lebih sulit seperti Kubus Rubik belum terselesaikan melalui kecerdasan mesin. Ini adalah teka-teki kombinasi klasik yang menantang unik dan menarik untuk machine learning.
Meskipun teknik machine learning sebelumnya telah digunakan untuk memecahkan Kubus Rubik, mereka gagal memecahkan teka-teki secara efisien dan andal. Selain itu, teknik ini harus bergantung pada pengetahuan domain tertentu.
Sekarang, peneliti di University of California, Irvine, telah membangun pendekatan deep reinforcement learning bernama DeepCubeA yang dapat memecahkan teka-teki yang sangat kompleks tanpa pengetahuan domain tertentu. Ini dapat memecahkan Kubus Rubik dalam beberapa detik tanpa bimbingan dalam permainan dari manusia.
Seiring dengan bertambahnya dimensi, kompleksitas teka-teki kombinasi yang mendasarinya meningkat secara dramatis. Menemukan solusi optimal untuk teka-teki 15, misalnya, memakan waktu sebagian detik pada komputer konvensional, sedangkan menemukan solusi optimal untuk teka-teki 24 dapat memakan waktu hari pada mesin yang sama.
Dalam studi ini, peneliti mencoba mengembangkan model machine learning yang dapat mempelajari cara memecahkan berbagai teka-teki tanpa bergantung pada pengetahuan manusia yang spesifik domain. Mereka menggabungkan tiga pendekatan terdepan untuk mengembangkan DeepCubeA –
- Deep learning
- Reinforcement klasik (approximate value iteration)
- Metode pencarian jalur (weight A* search)
Ini terdiri dari algoritma deep reinforcement learning yang menggunakan fungsi kebijakan dan nilai yang digabungkan dengan Monte Carlo Tree Search untuk memecahkan Kubus Rubik.
Peneliti menggunakan kerangka deep learning TensorFlow untuk melatih jaringan – ia 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: Nature | DOI:10.1038/s42256-019-0070-z | UCI | Online Demo
Setelah dilatih, DeepCubeA mampu mencapai akurasi 100% selama setiap konfigurasi tes, menemukan jalur terpendek ke keadaan akhir 60,3% dari waktu.
DeepCubeA menggunakan fungsi heuristik yang tidak pernah memperkirakan terlalu tinggi biaya jalur terpendek. Pencarian A* tertimbang memiliki batasan tertentu tentang seberapa panjang solusi dapat bervariasi dari panjang solusi optimal.
Aplikasi di Luar Teka-Teki Kombinatorial
Tim penelitian juga melatih DeepCubeA pada teka-teki lain, termasuk 24 puzzle, Lights Out, dan Sokoban. Ia mampu menemukan jalur terpendek dalam mayoritas kasus yang dapat diverifikasi.
Tujuan akhir studi [seperti ini] adalah untuk mengembangkan model deep learning generasi berikutnya yang dapat diterapkan di bidang di luar teka-teki kombinasi, mulai dari robotika hingga ilmu pengetahuan alam.
Kita sudah berinteraksi dengan AI sehari-hari melalui mesin pencari dan aplikasi seperti Alexa dan Siri. Namun, sistem ini tidak benar-benar cerdas: mereka dapat dengan mudah dimanipulasi atau ditipu.
Baca: AI Baru Bermain Poker Bisa Menghancurkan Banyak Perusahaan Online – Jadi Pengembang Tidak Merilisnya
Kita perlu membangun AI yang lebih kuat, lebih cerdas dan mampu memahami, memikirkan, dan merencanakan. Studi ini adalah langkah kecil menuju tujuan besar ini.
