Diagram konseptual dari masukan, fungsi bagian, dan keluaran dalam profil. Susunan kotak tidak menunjukkan urutan perakitan atau posisi fisik.
Teknologi · CC BY 4.0 · Sumber data
Bagaimana cara kerjanya?
Jaringan menaksir peluang langkah serta hasil posisi. Monte Carlo Tree Search memakai taksiran itu untuk memilih eksplorasi dan menghasilkan distribusi tindakan; pertandingan self-play menyediakan posisi, kebijakan pencarian, dan hasil untuk pelatihan.
Rujukan penjelasanBagian penyusun
- 01
Jaringan kebijakan-nilai
Memandu penilaian posisi.
- 02
Pencarian pohon
Menguji pilihan langkah.
- 03
Self-play
Menghasilkan data pelatihan.
Masukan dan keluaran
Posisi permainan, aturan, dan hasil pertandingan.
Kebijakan langkah serta evaluasi posisi.
Parameter teknis
Informasi dengan rujukan belum tersedia untuk bagian ini. Profil ini tidak menyajikan spesifikasi angka untuk model tertentu atau nilai yang berlaku bagi seluruh keluarga teknologi.
Versi dan status
Profil membahas konsep atau kategori teknologi; versi implementasi tertentu belum ditetapkan.
Status terbit profil berbeda dari status produksi, dukungan, atau sertifikasi perangkat.
Penerapan dan keterbatasan
- Permainan papan
- Penelitian keputusan berurutan
Batas cakupan
Pencarian serta self-play membutuhkan komputasi; rancangan bergantung aturan dan transisi permainan yang tersedia.
Teknologi yang terhubung
Hubungan terverifikasi belum tersedia untuk profil ini. Kedekatan topik tidak membuktikan kompatibilitas atau ketergantungan.
Buka peta teknologiDasar penjelasan
- 1. Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm ↗
arXiv / authors of the paper
Diakses 2026-10-13. Rujukan primer untuk parafrasa editorial. Teks, kode, gambar, dan merek sumber tidak disalin; hak asal tetap pada pemegangnya.