ষোল বছর আগে আমি একটি Java প্রোগ্রাম লিখেছিলাম যা Drop7 নামের একটি ধাঁধা গেমে আদর্শ চাল বেছে নেওয়ার চেষ্টা করত। প্রতিটি পালায় খেলোয়াড়ের পরের চালের জন্য মাত্র সাতটি বিকল্প থাকে, কিন্তু সম্ভাবনার একটি উপাদান এই সরল গেমটিকে আশ্চর্যজনকভাবে কঠিন সমস্যায় পরিণত করে, যেখানে অনুসন্ধান, লুকানো তথ্য, দীর্ঘমেয়াদি পরিকল্পনা এবং ভাগ্য সবই জড়িত।
এই সপ্তাহান্তে আমি আমার অনুসন্ধান নতুন করে শুরু করেছি, এই প্রশ্ন নিয়ে যে এমন কোনো স্বয়ংক্রিয় কৌশল আছে কি না যা প্রতি গেমে গড়ে দশ লাখ পয়েন্টের বেশি দেয়। একজন অভিজ্ঞ মানুষ খেলোয়াড় দীর্ঘমেয়াদি কৌশলগত চিন্তার মাধ্যমে দশ লাখ পয়েন্টে পৌঁছাতে পারেন, কিন্তু আমি যে সেরা স্বয়ংক্রিয় কৌশলগুলো উদ্ভাবন করতে পেরেছি সেগুলো বর্তমানে গড়ে প্রায় ৩ লাখ থেকে ৪ লাখ পয়েন্ট পাচ্ছে।
এখন পর্যন্ত সবচেয়ে শক্তিশালী গবেষণা প্রার্থী, গভীরতা-৪ অনুসন্ধানের ভেতরে শেখা লুকআপ টেবিল, ৫১২টি অদেখা গেমে গড়ে ৫১৬,১৫৫ পয়েন্ট পেয়েছে। একই গেমে হাতে লেখা লিফ মূল্যায়নসহ গভীরতা-৪ expectimax গড়ে ৩৮২,৫৬৭ পয়েন্ট পেয়েছে। দুটিই এখনো দশ লাখের অনেক নিচে, তাই গবেষণার সমস্যাটি এখনো উন্মুক্ত।
অবদান রাখার সবচেয়ে সহজ উপায়গুলোর একটি হলো বিশ্বব্যাপী লিডারবোর্ডে প্রতিযোগিতা করা এবং drop7.dev/compete-এ আপনার মানবীয় কৌশল জমা দেওয়া। এই প্রকল্পটি এজেন্টদের গবেষণা সহযোগী ও প্রমাণ সংগ্রহকারী হিসেবে ব্যবহারের একটি পরীক্ষাও ছিল। সম্পূর্ণ রিপোজিটরি GitHub-এ keshavsaharia/drop7-bench নামে পাওয়া যাচ্ছে।
গেম থিওরি, স্টোকাস্টিক পরিকল্পনা, শেখা মূল্য ফাংশন বা ভারী-লেজযুক্ত মূল্যায়নে দক্ষ ব্যক্তিদের মতামত বিশেষভাবে স্বাগত। এখানে দীর্ঘ-দিগন্ত ক্রিয়া র্যাঙ্কিং আপনি কীভাবে দেখবেন?
উৎস: Hacker News · সারাংশ: HeadlinesBriefing