論文の概要: Engineering Efficient Self-Play Chess: Search, Replay, and Throughput Under Limited Compute

• arxiv url: http://arxiv.org/abs/2609.37447v1
• Date: Sun, 27 Sep 2026 12:06:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.507244
• Title: Engineering Efficient Self-Play Chess: Search, Replay, and Throughput Under Limited Compute
• Title（参考訳）: エンジニアリング効率の良いセルフプレイチェス: 限られた計算下での検索、再生、スループット
• Abstract要約: 我々は,AlphaZeroスタイルのチェスシステムが,限られた訓練計算の下でいかに強固になるかを示す。 システムは325万の完成ゲームを取り込み、推定1000億の検索シミュレーションを伴い、83660万のトレーニングプレゼンテーションを行う。 報告された強度は統合システムの結果であり、単一の選択に起因する孤立したエロゲインではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How strong can an AlphaZero-style chess system become under limited training compute when its entire learning loop is engineered for efficiency? We train from random initialization through searched self-play on a single eight-GPU node for 2.5 days. The resulting 6.32-million-parameter model reaches 3,251 benchmark Elo [3,206, 3,297] at 100,000 searches per move (estimated at under five seconds of thinking time) against a fixed-node Stockfish 13 ladder. The run ingests 3.25 million completed games, involves an estimated 100 billion search simulations, and makes 836.6 million training presentations. We investigate search allocation, replay and restart-state selection, policy representation, progressive model sizing, quantized inference, and throughput engineering. Alongside the retained design, we document plausible alternatives that failed to improve the complete learning loop or did not justify their cost. The reported strength is a result of the integrated system, not an isolated Elo gain attributable to any single choice.
• Abstract（参考訳）: AlphaZeroスタイルのチェスシステムは,学習ループ全体を効率的に設計することで,限られたトレーニング計算の下でどの程度の強度を達成できるのだろうか? 我々は,1つの8GPUノードで2.5日間,検索されたセルフプレイを通じてランダム初期化からトレーニングを行う。 結果として得られた6.32万パラメーターモデルは、固定ノードのStockfish 13のはしごに対して、Elo[3,206,3,297]を100,000回の検索(5秒以下の思考時間で推定される)で3,251ベンチマークに達する。 ランは325万の完成ゲームを取り込み、推定1000億の検索シミュレーションを伴い、83660万のトレーニングプレゼンテーションを行う。 本稿では,探索アロケーション,リプレイと再起動状態の選択,ポリシー表現,プログレッシブモデルサイズ,量子化推論,スループット工学について検討する。 保持された設計に加えて、完全な学習ループの改善に失敗したり、コストを正当化できなかった、もっともらしい代替案も文書化しています。 報告された強度は統合システムの結果であり、単一の選択に起因する孤立したエロゲインではない。

関連論文リスト

• Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning [72.09826781730662]
  ロングホライゾン推論は、モデルが推論チェーン内の異なるスキルを切り替えることを要求する。 スキル・エントロピー(Skill Entropy)とは、あるスキルから別のスキルに切り替えることの難しさを測る尺度である。 本稿では,RLフレームワークであるSkill-Entropy RLを提案する。
  論文  参考訳（メタデータ） (2026-08-05T17:57:16Z)
• Chess-World-Model: A 10M-Game Benchmark for Exact State Tracking from Chess Move Sequences [2.7214777196418645]
  我々は1000万の実際のチェスゲームから構築された大規模ステートトラッキングベンチマークであるChess-World-Modelを紹介した。 我々は、負の固有値を持つ因果変換器、ブロック対角SLiCE、Mamba-3、Gated DeltaNetをベンチマークする。 リアルゲームのパフォーマンスは1800万以上のパラメータで飽和するが、ランダムな一様分割は最大4000万まで差別的であり、それ以外はスケールによって隠された失敗を露呈する。
  論文  参考訳（メタデータ） (2026-05-28T15:43:31Z)
• Every Step Evolves: Scaling Reinforcement Learning for Trillion-Scale Thinking Model [100.86587937568832]
  Ring-1Tは、数兆のパラメータを持つ最初のオープンソースの最先端の思考モデルである。 総パラメータは1兆で、1トークンあたり約500億を活性化する。
  論文  参考訳（メタデータ） (2025-10-21T17:46:14Z)
• 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)
• Amortized Planning with Large-Scale Transformers: A Case Study on Chess [11.227110138932442]
  本稿では,AIにおける画期的な計画問題であるチェスを用いて,計画課題の性能評価を行う。 ChessBenchは、Stockfishが提供する法的行動と価値アノテーション(1500億ポイント)を備えた1000万のチェスゲームの大規模なベンチマークである。 極めて優れた近似を教師付き学習により大規模変圧器に蒸留することは可能であるが, 完全蒸留は依然として到達範囲を超えている。
  論文  参考訳（メタデータ） (2024-02-07T00:36:24Z)
• Game Solving with Online Fine-Tuning [17.614045403579244]
  本稿では,探索中のオンラインファインチューニングの適用について検討し,ゲーム問題解決のための最適設計計算を学習するための2つの方法を提案する。 実験の結果,オンラインファインチューニングを用いることで,ベースラインに比べて23.54%の時間しか利用できない7x7 Killall-Goの課題が解決できることがわかった。
  論文  参考訳（メタデータ） (2023-11-13T09:09:52Z)
• No-Regret Learning in Time-Varying Zero-Sum Games [99.86860277006318]
  固定ゼロサムゲームにおける繰り返しプレイからの学習は、ゲーム理論とオンライン学習における古典的な問題である。 提案手法は,3つの性能基準の下で,良好な保証を同時に享受できる1つのパラメータフリーアルゴリズムである。 本アルゴリズムは,ある特性を満たすブラックボックスベースラーナー群に対するメタアルゴリズムを用いた2層構造に基づく。
  論文  参考訳（メタデータ） (2022-01-30T06:10:04Z)
• Learning to Identify Top Elo Ratings: A Dueling Bandits Approach [27.495132915328025]
  我々は,Elo評価(トッププレイヤー)のサンプル効率を改善するために,効率的なオンラインマッチングスケジューリングアルゴリズムを提案する。 具体的には、上位プレイヤーをデュエルバンドフレームワークで識別し、Eloの勾配ベースの更新に合わせてバンディットアルゴリズムを調整する。 我々のアルゴリズムは、競合ラウンドの数で$tildeO(sqrtT)$, sublinearを保証しており、多次元エロ評価にまで拡張されている。
  論文  参考訳（メタデータ） (2022-01-12T13:57:29Z)
• Megaverse: Simulating Embodied Agents at One Million Experiences per Second [75.1191260838366]
  私たちは、強化学習と具体化AI研究のための新しい3DシミュレーションプラットフォームであるMegaverseを紹介します。 MegaverseはDeepMind Labより最大70倍速い。 私たちはMegaverseを使って、複数の単一エージェントタスクとマルチエージェントタスクからなる新しいベンチマークを構築します。
  論文  参考訳（メタデータ） (2021-07-17T03:16:25Z)
• Learning to Stop: Dynamic Simulation Monte-Carlo Tree Search [66.34387649910046]
  モンテカルロ木探索(MCTS)は、囲碁やアタリゲームなど多くの領域で最先端の結果を得た。 我々は,現在の検索状況の不確かさを予測し,その結果を用いて検索をやめるべきかどうかを判断することで,この目標を達成することを提案する。
  論文  参考訳（メタデータ） (2020-12-14T19:49:25Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。