跳到主要内容

工作原理

AlphaCube 引入了以下特性：

1. 延迟与质量之间的平滑权衡​

AlphaCube 提供了一种独特的权衡机制，可以动态平衡延迟和解决方案质量。随着您分配更多时间用于求解，生成的解决方案会变得越来越精细。

2. 使用偏置进行符合人体工程学的求解​

AlphaCube 使您能够通过应用"人体工程学偏置"来自定义 AI 求解器的行为。此功能允许您将求解器偏向于寻找速度最优算法，以符合您的偏好和要求。

这些特性基于 AlphaCube 的基本方法的概率性质，如下所述。

EfficientCube​

AlphaCube 在方法上建立在 EfficientCube (TMLR'23) 的基础上，这是用于求解目标预定义组合问题的最先进深度学习方法（优于 DeepCubeA）。

其核心是训练一个深度神经网络（DNN）来预测下一步行动，使给定状态更接近目标。EfficientCube 依次应用这些预测的行动来解决给定的挑战。

EfficientCube 引入的方法的概念概述

在底层，DNN 会发出最优行动的概率分布来评估候选行动。

最优行动的概率分布

EfficientCube 根据这些概率评估解决方案候选项。通过采用称为束搜索的搜索方法，EfficientCube 在计算时间和更好/更短的解决方案之间进行权衡。

有关更多详细信息，例如如何评估解决方案候选项，请参阅原始论文和源代码。

速度最优解​

利用 EfficientCube 的概率性质，我们还可以获得符合人体工程学/速度最优的解决方案。

通过将"人体工程学偏置分布"应用于下一步行动的预测概率分布，可以有意将 AI 求解器的输出偏向速度最优性：

应用期望分布进行偏置

更具体地说，计算理论上最优行动分布和人体工程学/期望行动分布之间的点积，可以创建下一步行动的速度最优概率分布。从技术上讲，这种方法将魔方重新定义为加权隐式图，其中边长表示手动执行的难易程度。根据您的偏好适当控制这种人体工程学偏置，可以为您提供不仅高效而且速度最优的解决方案，与您的手指相匹配。