L'IA peut résoudre le Rubik's Cube en quelques secondes, sans aucune connaissance spécifique du domaine

• La nouvelle approche d'apprentissage par renforcement en profondeur nommée DeepCubeA peut résoudre le Rubik's cube en quelques secondes.
• Le modèle d'apprentissage en profondeur peut être appliqué à divers autres domaines, notamment la robotique et les sciences naturelles.

L'intelligence artificielle (IA) a déjà fait ses preuves aux échecs et au go, mais des énigmes plus difficiles comme le Rubik's cube n'ont pas été résolues via l'intelligence artificielle. C'est un puzzle combinatoire classique qui pose des défis uniques et intrigants pour l'apprentissage automatique.

Bien que des techniques d'apprentissage automatique aient déjà été utilisées pour résoudre le Rubik's cube, elles n'ont pas réussi à résoudre le casse-tête de manière efficace et fiable. De plus, ces techniques ont dû s'appuyer sur des connaissances spécifiques à un domaine.

Aujourd'hui, des chercheurs de l'Université de Californie à Irvine ont mis au point une approche d'apprentissage par renforcement en profondeur nommée DeepCubeA qui peut résoudre un casse-tête incroyablement complexe sans aucune connaissance de domaine spécifique. Il peut résoudre un Rubik's cube en quelques secondes sans aucun entraînement humain dans le jeu.

À mesure que les dimensions augmentent, la complexité du puzzle combinatoire sous-jacent augmente considérablement. Trouver une solution optimale au puzzle 15, par exemple, prend une fraction de seconde sur un ordinateur conventionnel, alors que trouver une solution optimale au puzzle 24 pourrait prendre des jours sur la même machine.

Dans cette étude, les chercheurs ont essayé de développer un modèle d'apprentissage automatique qui peut apprendre à résoudre une variété d'énigmes sans s'appuyer sur des connaissances humaines spécifiques à un domaine. Ils ont combiné trois approches de pointe pour développer DeepCubeA -

1. Apprentissage approfondi
2. Renforcement classique (itération de valeur approximative)
3. Méthodes de recherche de chemin (recherche de poids A*)

Il se compose d'un algorithme d'apprentissage par renforcement approfondi qui utilise une fonction de politique et de valeur combinée à la recherche dans l'arbre Monte Carlo pour résoudre le Rubik's Cube.

Les chercheurs ont utilisé le framework d'apprentissage en profondeur TensorFlow pour former le réseau - il a été formé sur environ 10 milliards de simulations du puzzle brouillé et terminé. L'ensemble du processus a été effectué pendant environ 1 000 000 d'itérations, ce qui a pris 36 heures.

Référence :Nature | DOI :10.1038/s42256-019-0070-z | UCI | Démo en ligne

Une fois entraîné, DeepCubeA a pu atteindre une précision de 100 % lors de chaque configuration de test, trouvant le chemin le plus court vers l'état final 60,3 % du temps.

DeepCubeA utilise une fonction heuristique qui ne surestime jamais le coût d'un chemin le plus court. La recherche pondérée A* a certaines limites sur la façon dont la longueur de la solution peut varier de la longueur d'une solution optimale.

Applications au-delà des énigmes combinatoires

L'équipe de recherche a également formé DeepCubeA sur d'autres puzzles, dont 24 puzzle, Lights Out et Sokoban. Il a pu trouver le chemin le plus court dans la majorité des cas vérifiables.

L'objectif ultime des études [comme celle-ci] est de développer les modèles d'apprentissage en profondeur de nouvelle génération qui peuvent être appliqués dans des domaines allant au-delà des énigmes combinatoires, allant de la robotique aux sciences naturelles.

Nous interagissons déjà quotidiennement avec l'IA via des moteurs de recherche et des applications telles qu'Alexa et Siri. Cependant, ces systèmes ne sont pas vraiment intelligents :ils peuvent être facilement manipulés ou trompés.

Lire : La nouvelle IA de poker peut détruire de nombreuses entreprises en ligne – les développeurs ne la publient donc pas

Nous devons créer une IA plus robuste, plus intelligente et capable de comprendre, de raisonner et de planifier. L'étude est un petit pas vers cet objectif massif.