Cómo Funciona

AlphaCube introduce las siguientes características:

1. Equilibrio Suave Entre Latencia y Calidad

AlphaCube ofrece un mecanismo único de compensación que balancea dinámicamente la latencia y la calidad de la solución. A medida que asignas más tiempo para resolver, las soluciones generadas se refinan cada vez más.

2. Resolución Ergonómica con Sesgo

AlphaCube te permite personalizar el comportamiento del solucionador de IA aplicando un "sesgo ergonómico". Esta característica te permite sesgar el solucionador hacia algoritmos óptimos en velocidad, alineándose con tus preferencias y requisitos.

Estas características se sustentan en la naturaleza probabilística del método fundamental de AlphaCube, como se describe a continuación.

EfficientCube

AlphaCube se basa metodológicamente en EfficientCube (TMLR'23), el método de aprendizaje profundo de vanguardia para resolver problemas combinatorios con objetivos predefinidos (superando a DeepCubeA).

En su núcleo, una Red Neuronal Profunda (DNN) se entrena para predecir los siguientes movimientos que llevarían un estado dado un paso más cerca del objetivo. EfficientCube aplica secuencialmente estos movimientos predichos para resolver el desafío dado.

Bajo el capó, la DNN emite una distribución de probabilidad de movimientos óptimos para evaluar movimientos candidatos.

EfficientCube evalúa candidatos de solución basándose en estas probabilidades. Al emplear un método de búsqueda llamado búsqueda en haz, EfficientCube compensa el tiempo de cómputo por soluciones mejores/más cortas.

Consulta el artículo original y el código fuente para más detalles, como la forma en que se evalúan los candidatos de solución.

Soluciones óptimas en velocidad

Aprovechando la naturaleza probabilística de EfficientCube, también podemos obtener soluciones ergonómicas/óptimas en velocidad.

Al aplicar una "distribución de sesgo ergonómico" a la distribución de probabilidad predicha de los siguientes movimientos, la salida del solucionador de IA puede sesgarse intencionalmente hacia la optimalidad de velocidad:

Para ser más específicos, calcular el producto escalar entre las distribuciones de movimientos teóricamente óptimos y movimientos ergonómicos/deseables crea una distribución de probabilidad óptima en velocidad para los siguientes movimientos. Técnicamente, este enfoque reformula el Cubo de Rubik como un grafo implícito ponderado, donde las longitudes de las aristas representan su facilidad de ejecución manual. Controlar adecuadamente este sesgo ergonómico según tu preferencia te brinda no solo soluciones eficientes sino también óptimas en velocidad que se alinean con tus dedos.