Przejdź do głównej zawartości

Jak to działa

AlphaCube wprowadza następujące funkcje:

1. Płynny kompromis między opóźnieniem a jakością

AlphaCube oferuje unikalny mechanizm kompromisu, który dynamicznie równoważy opóźnienie i jakość rozwiązania. Im więcej czasu przeznaczysz na rozwiązywanie, tym bardziej dopracowane stają się wygenerowane rozwiązania.

2. Ergonomiczne rozwiązywanie z obciążeniem

AlphaCube umożliwia dostosowanie zachowania solvera AI poprzez zastosowanie "obciążenia ergonomicznego". Ta funkcja pozwala na ukierunkowanie solvera na znajdowanie algorytmów optymalnych pod względem szybkości, dostosowując je do Twoich preferencji i wymagań.

Te cechy opierają się na probabilistycznej naturze podstawowej metody AlphaCube, opisanej poniżej.

EfficientCube

AlphaCube metodologicznie opiera się na EfficientCube (TMLR'23), najnowocześniejszej metodzie głębokiego uczenia do rozwiązywania problemów kombinatorycznych z predefiniowanym celem (przewyższającej DeepCubeA).

W swojej istocie, głęboka sieć neuronowa (DNN) jest trenowana do przewidywania kolejnych ruchów, które przybliżyłyby dany stan o jeden krok do celu. EfficientCube sekwencyjnie stosuje te przewidywane ruchy, aby rozwiązać dane wyzwanie.

Koncepcyjny przegląd metody wprowadzonej przez EfficientCube

Pod maską DNN emituje rozkład prawdopodobieństwa optymalnych ruchów do oceny ruchów kandydujących.

Rozkład prawdopodobieństwa optymalnych ruchów

EfficientCube ocenia kandydatów rozwiązania na podstawie tych prawdopodobieństw. Stosując metodę wyszukiwania zwaną beam search, EfficientCube wymienia czas obliczeń na lepsze/krótsze rozwiązania.

Więcej szczegółów, takich jak sposób oceny kandydatów rozwiązania, można znaleźć w oryginalnym artykule i kodzie źródłowym.

Rozwiązania optymalne pod względem szybkości

Wykorzystując probabilistyczną naturę EfficientCube, możemy również uzyskać rozwiązania ergonomiczne/optymalne pod względem szybkości.

Stosując "rozkład obciążenia ergonomicznego" do przewidywanego rozkładu prawdopodobieństwa kolejnych ruchów, wyjście solvera AI może być celowo skierowane w stronę optymalności szybkości:

Zastosowanie rozkładu pożądalności do obciążenia

Dokładniej mówiąc, obliczenie iloczynu skalarnego między rozkładami teoretycznie optymalnych ruchów i ergonomicznych/pożądanych ruchów tworzy rozkład prawdopodobieństwa optymalny pod względem szybkości dla kolejnych ruchów. Technicznie podejście to przekształca kostkę Rubika w ważony niejawny graf, gdzie długości krawędzi reprezentują łatwość ich ręcznego wykonania. Odpowiednie kontrolowanie tego obciążenia ergonomicznego zgodnie z Twoimi preferencjami daje Ci nie tylko wydajne, ale także optymalne pod względem szybkości rozwiązania, które są dostosowane do Twoich palców.