Generování šachových pozic pomocí neuronových sítí

Abstract

Práce se zaměřuje na návrh a implementaci frameworku pro trénování generativních neuronových sítí architektury GAN za účelem generování šachových pozic. Nejdříve jsou navrhnuty zakódování šachových pozic přo převod do maticové podoby. Poté jsou zvoleny základní typy neuronových sítí pro generátor i diskriminátor. Dále jsou navrženy metriky pro porovnání vstupních šachových pozic s vygenerovanými daty a samotný trénovací framework. Navržené modely byly natrénovány na předzpracovaném datasetu ze serveru Lichess.org v jazyce Python v interaktivním prostředí Jupyter Notebooku. V závěru byly provedeny experimenty a vyhodnocena kvalita navrženého přístupu. V posledním experimentu natrénovaný model zapouzdřující navržené základní typy neuronových sítí generuje až 29,7 % validních šachových pozic.

The bachelor thesis focuses on design and implementation of GAN architecture training framework for generating chess positions using generative neural networks. First, encodings for input chess positions are designed in order to transform them into a matrix form. Then basic types of neural networks are chosen for both generator and discriminator. Lastly, metrics are designed to compare the input chess positions with generated ones as well as the framework itself. Proposed models were trained on preprocessed dataset from server Lichess.org in Python language in interactive environment of Jupyter Notebook. In the end, experiments were performed and the quality of the proposed approach was evaluated. In the last experiment the trained model encapsulating proposed types of neural networks generates up to 29,7 % valid chess positions.