Fugu-MT 論文翻訳(概要): Strongly Solving $7 \times 6$ Connect-Four on Consumer Grade Hardware

論文の概要: Strongly Solving $7 \times 6$ Connect-Four on Consumer Grade Hardware

arxiv url: http://arxiv.org/abs/2507.05267v1
Date: Tue, 01 Jul 2025 09:33:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-09 16:34:37.163794
Title: Strongly Solving $7 \times 6$ Connect-Four on Consumer Grade Hardware
Title（参考訳）: 7ドル(約7,800円)の「コネクテッドファーム」を消費者製品に強固に解決
Authors: Markus Böck,
Abstract要約: 本稿では,二項決定図に基づく記号探索法を再検討し,強力な解を求める。 128GBのメインメモリを持つ単一のCPUコア上で、47時間で89.6GBの大型ルックアップテーブルを作成できたのです。この勝敗評価に加えて、オープンソースアーティファクトにアルファベータ検索を組み込んで、最も早い勝敗または最も遅い損失を達成する動きを見つけます。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: While the game Connect-Four has been solved mathematically and the best move can be effectively computed with search based methods, a strong solution in the form of a look-up table was believed to be infeasible. In this paper, we revisit a symbolic search method based on binary decision diagrams to produce strong solutions. With our efficient implementation we were able to produce a 89.6 GB large look-up table in 47 hours on a single CPU core with 128 GB main memory for the standard $7 \times 6$ board size. In addition to this win-draw-loss evaluation, we include an alpha-beta search in our open source artifact to find the move which achieves the fastest win or slowest loss.
Abstract（参考訳）: Connect-Four というゲームは数学的に解き、検索ベースの手法で最良の動きを効果的に計算できるが、ルックアップテーブルの形の強い解は実現不可能であると信じられていた。本稿では,二項決定図に基づく記号探索法を再検討し,強力な解を求める。効率的な実装により、128GBのメインメモリを持つ1つのCPUコア上で、89.6GBの大規模なルックアップテーブルを47時間で作成することができました。この勝敗評価に加えて、オープンソースアーティファクトにアルファベータ検索を組み込んで、最も早い勝敗または最も遅い損失を達成する動きを見つけます。

関連論文リスト

A*-Thought: Efficient Reasoning via Bidirectional Compression for Low-Resource Settings [64.36404136352287]
A*-Thoughtは、最も本質的な思考を識別し、分離するために設計された効率的なツリー検索ベースの統合フレームワークである。 LRMの推論過程を探索木として定式化し、各ノードは巨大な推論空間における推論スパンを表す。低予算でQwQ-32Bを2.39$times$で改善し、高予算で出力トークンの長さを50%近く削減できる。
論文参考訳（メタデータ） (2025-05-30T12:58:34Z)
A Machine Learning Approach That Beats Large Rubik's Cubes [32.8176720435354]
本稿では,非常に大きなグラフ上でのパスフィニング問題に対する,機械学習に基づく新しいアプローチを提案する。 4x4x4 と 5x5x5 のルービック立方体に対する解を見つけることで、その効率性を実証する。
論文参考訳（メタデータ） (2025-02-18T20:22:38Z)
HashAttention: Semantic Sparsity for Faster Inference [95.31739930718116]
本稿では,HashAttention,framing pivotal token Identificationを推薦問題として紹介する。トークン1個あたり32ビットの補助メモリしか必要とせず、最小品質の損失を最小限に抑えられるため、最大16タイムで使用されるトークンを削減できる。 A100 GPUでは、HashAttentionを組み込むことで、GPT-FASTで4.3times$、FlashDecodeで2.54times$、GPT-FASTで最大3.12times$高スループットを実現している。
論文参考訳（メタデータ） (2024-12-19T02:34:15Z)
Set-Based Retrograde Analysis: Precomputing the Solution to 24-card Bridge Double Dummy Deals [11.732829185059801]
逆行解析はゲーム終了時の状態を解くためにゲームプレイングプログラムで使用される。我々は,同じゲーム値を持つ状態の集合を演算することで,同じ結果が得られるセログレード解析を導入する。
論文参考訳（メタデータ） (2024-11-13T23:43:01Z)
Navigating the Labyrinth: Evaluating and Enhancing LLMs' Ability to Reason About Search Problems [59.72548591120689]
我々は,11種類の検索問題を含む新しいベンチマークであるSearchBenchを紹介する。もっとも先進的なLCMでさえ、これらの問題をエンドツーエンドのテキストで解決することができないことを示す。 LLMにその問題を解決するコードを生成するように指示することは助けになるが、GPT4のパフォーマンスは11.7%向上した。
論文参考訳（メタデータ） (2024-06-18T00:44:58Z)
Efficient Solution of Point-Line Absolute Pose [52.775981113238046]
点や線である可能性のある特徴間の3D--2D対応に基づくポーズ推定の特定の問題を再検討する。得られた解法は数値的に安定かつ高速であることを示す。
論文参考訳（メタデータ） (2024-04-25T12:09:16Z)
On Solving the Rubik's Cube with Domain-Independent Planners Using Standard Representations [7.470087627607195]
本稿では,人気のあるPDDL言語における最初のルービックキューブ表現について述べる。 1つの比較実験で、DeepCubeAは様々な複雑さを持つ全ての問題を解き、78.5%しか最適計画ではないことがわかった。我々の研究は、表現的選択と計画最適性の間のトレードオフに関する貴重な洞察を提供する。
論文参考訳（メタデータ） (2023-07-25T14:52:23Z)
Self-Polish: Enhance Reasoning in Large Language Models via Problem Refinement [50.62461749446111]
Self-Polish(SP)は、与えられた問題を徐々に洗練し、より理解しやすく解けるように誘導することによって、モデルの推論を促進する新しい方法である。 SPは、CoTのような答え/推論サイドの他のすべてのプロンプトメソッドであり、最先端の技術とのシームレスな統合を可能にし、さらなる改善を可能にします。
論文参考訳（メタデータ） (2023-05-23T19:58:30Z)
Matrix Multiplication: Verifying Strong Uniquely Solvable Puzzles [0.5801044612920816]
我々は、一意に解けるパズル(強いUSP)と呼ばれる物体を探索する我々は、幅$k le 5$の強いUSPの最大サイズに関する厳密な境界を作り、従来の作業よりも大きい小さな幅のパズルを構築し、$k le 12$の強いUSPサイズの上限を改善する。
論文参考訳（メタデータ） (2022-12-30T23:53:51Z)
Spending Thinking Time Wisely: Accelerating MCTS with Virtual Expansions [89.89612827542972]
本稿では,モンテカルロ木探索 (MCTS) の変種を提案する。 9倍のGoボードゲームとAtariゲームの性能と計算結果を評価した。実験の結果,提案手法は,平均検索時間50%以下で,元の検索アルゴリズムに匹敵する性能が得られることがわかった。
論文参考訳（メタデータ） (2022-10-23T06:39:20Z)
Multi-objective Recurrent Neural Networks Optimization for the Edge -- a Quantization-based Approach [2.1987431057890467]
本稿では,Multi-Objective Hardware-Aware Quantization (MOHAQ)法を紹介する。本研究では,検索空間内でのみ選択された解を学習し,ビーコンとして利用し,他の解に対する再学習の効果を知るための「ビーコンベース検索」という検索手法を提案する。
論文参考訳（メタデータ） (2021-08-02T22:09:12Z)
Self-Supervision is All You Need for Solving Rubik's Cube [0.0]
この研究は、ルービックキューブで表される、あらかじめ定義されたゴールで問題を解決するためのシンプルで効率的なディープラーニング手法を導入する。このような問題に対して、目標状態から分岐するランダムスクランブル上でディープニューラルネットワークをトレーニングすることは、ほぼ最適解を達成するのに十分であることを示す。
論文参考訳（メタデータ） (2021-06-06T15:38:50Z)
Prioritized Architecture Sampling with Monto-Carlo Tree Search [54.72096546595955]
ワンショットニューラルアーキテクチャサーチ(NAS)法は,検索空間全体を1つのネットワークとして考えることにより,検索コストを大幅に削減する。本稿では,モンテカルロ木(MCT)をモデルとした探索空間を用いたモンテカルロ木探索(MCTS)に基づくサンプリング戦略について紹介する。公平な比較のために、CIFAR-10で評価されたマクロ検索空間、すなわちNAS-Bench-MacroのオープンソースNASベンチマークを構築する。
論文参考訳（メタデータ） (2021-03-22T15:09:29Z)
Towards Improving the Consistency, Efficiency, and Flexibility of Differentiable Neural Architecture Search [84.4140192638394]
最も微分可能なニューラルアーキテクチャ探索法は、探索用のスーパーネットを構築し、そのサブグラフとしてターゲットネットを導出する。本稿では,エンジンセルとトランジットセルからなるEnTranNASを紹介する。また,検索処理の高速化を図るため,メモリや計算コストの削減も図っている。
論文参考訳（メタデータ） (2021-01-27T12:16:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。