Pular para o conteúdo principal

Como Funciona

O AlphaCube baseia-se no método de aprendizado profundo do EfficientCube (TMLR'23), introduzindo recursos para uma experiência de resolução mais flexível e poderosa.

As principais características incluem:

  1. Um equilíbrio suave entre velocidade e qualidade, controlado pelo ajuste da largura da busca.
  2. Resolução ergonômica, que direciona a busca para encontrar soluções mais rápidas de serem executadas por mãos humanas.

Esses recursos são possíveis devido à natureza probabilística do método subjacente.

O Método Principal: EfficientCube

Em sua essência, o AlphaCube usa uma Rede Neural Profunda (DNN) treinada para prever a probabilidade de movimentos que aproximam um cubo embaralhado do estado resolvido. O solucionador aplica sequencialmente os melhores movimentos para encontrar uma solução.

Visão geral conceitual do método introduzido pelo EfficientCube

Nos bastidores, em vez de escolher apenas um movimento, a DNN gera uma distribuição de probabilidade sobre todos os próximos movimentos possíveis, avaliando a qualidade de cada candidato.

Distribuição de probabilidade de movimentos ótimos

Usando essas probabilidades, o solucionador emprega um algoritmo de busca em feixe (beam search) para explorar um conjunto limitado das sequências de movimentos mais promissoras. Ao ajustar o parâmetro beam_width, você controla quantas sequências são exploradas, permitindo trocar tempo de computação por soluções mais curtas e de maior qualidade.

Soluções Otimizadas para Velocidade

Aproveitando o núcleo probabilístico, o AlphaCube pode encontrar soluções que não são apenas curtas, mas também ergonômicas. Isso é alcançado aplicando um viés ergonômico.

Ao fornecer um dicionário de preferências de movimento (ergonomic_bias), você define uma espécie de distribuição de desejabilidade. O solucionador combina isso com as probabilidades previstas pelo modelo, enviesando a busca para favorecer movimentos que são tanto quase ótimos quanto fáceis de executar, levando a um tempo de execução mínimo.

Aplicando a distribuição de desejabilidade para o enviesamento

Isso reformula a busca como a procura pelo caminho mais curto em um grafo ponderado, onde os pesos das arestas representam sua facilidade de execução. Ao ajustar o viés de acordo com sua preferência, você obtém soluções que não são apenas eficientes, mas verdadeiramente otimizadas para seus dedos.