شرح ورقة KataGo

KataGo هو AI مفتوح المصدر للعبة Go طوره David Wu، وورقته "Accelerating Self-Play Learning in Go" نُشرت في 2019. KataGo يحقق قوة تفوق ELF OpenGo بموارد حوسبة أقل، وهو حالياً أقوى AI مفتوح المصدر للعبة Go.

ابتكارات KataGo

KataGo لم يقم بتغييرات ثورية في بنية الشبكة العصبية، بل قام بتحسينات منهجية في طرق التدريب والمهام المساعدة، محققاً تحسيناً كبيراً في الكفاءة.

نظرة عامة على الابتكارات الأساسية

الابتكار	التأثير
أهداف التدريب المساعدة	تسريع التعلم، توفير المزيد من إشارات الإشراف
هيكل التجميع الشامل	التقاط أفضل للمعلومات الشاملة
دعم قواعد متعددة	نموذج واحد يتكيف مع قواعد مختلفة
عشوائية Playout Cap	تحسين كفاءة التدريب
تعزيز البيانات المحسن	زيادة تنوع بيانات التدريب

طرق تدريب أكثر كفاءة

أهداف التدريب المساعدة (Auxiliary Training Targets)

AlphaGo Zero التقليدي لديه هدفان للتدريب فقط:

1. Policy: التنبؤ بتوزيع احتمال حركات MCTS
2. Value: التنبؤ بنتيجة الفوز/الخسارة

KataGo أضاف أهداف تدريب مساعدة متعددة، توفر إشارات تعلم أغنى:

شرح رؤوس الإخراج

رأس الإخراج	الأبعاد	هدف التنبؤ
Policy	19×19+1	احتمال الحركة لكل موقع (شامل Pass)
Value	3	احتمال الفوز/الخسارة/التعادل
Score	قيمة مستمرة	التنبؤ بفرق النقاط النهائي
Ownership	19×19	انتماء كل نقطة نهائياً (منطقة أسود/أبيض)
Short-term Value	1	نسبة الفوز المتوقعة قريباً
Lead	1	كم نقطة التقدم حالياً

لماذا الأهداف المساعدة فعالة؟

1. إشارات إشراف أكثف: Value يوفر قيمة واحدة فقط، بينما Ownership يوفر 361 نقطة إشراف
2. تقليل الإفراط في التخصيص: التعلم متعدد المهام له تأثير تنظيمي
3. تسريع التقارب: المهام المساعدة تساعد الشبكة على تعلم تمثيلات خصائص مفيدة بشكل أسرع
4. توفير تدرجات أفضل: تجنب مشكلة تلاشي التدرج

عشوائية Playout Cap

AlphaGo Zero يقوم بـ 800 محاكاة MCTS ثابتة لكل حركة. KataGo يدخل العشوائية:

# الطريقة التقليدية
num_playouts = 800  # ثابت

# طريقة KataGo
playout_cap = random.choice([
    100, 200, 300, 400, 500, 600, 700, 800
])

الفوائد:

• بيانات التدريب أكثر تنوعاً
• النموذج يتعلم اتخاذ قرارات معقولة بأعماق بحث مختلفة
• أداء جيد حتى مع كمية بحث أقل في اللعب الفعلي

تحسينات تعزيز البيانات

الطريقة التقليدية تستغل التماثل الثماني لـ Go (4 دورات × 2 انعكاس) لتعزيز البيانات. KataGo يحسن أكثر:

• تحويل تماثل عشوائي: اختيار تحويل تماثل عشوائي في كل عينة
• عشوائية الحالة التاريخية: اختيار عشوائي لطريقة تمثيل اللوحات التاريخية
• عشوائية اللون: تبديل عشوائي لمنظور الأسود والأبيض

دعم قواعد Go المتعددة

هذه إحدى الميزات المهمة لـ KataGo. قواعد Go المختلفة تؤثر على القرارات الاستراتيجية:

الاختلافات الرئيسية بين القواعد

نظام القواعد	طريقة التسجيل	الكومي	قاعدة الكو	الانتحار
القواعد الصينية	عد الأحجار	7.5 نقطة	كو بسيط	ممنوع
القواعد اليابانية	عد النقاط	6.5 نقطة	سوبر كو	ممنوع
القواعد الكورية	عد النقاط	6.5 نقطة	سوبر كو	ممنوع
قواعد إنغ	عد الأحجار	8 نقاط	قاعدة كو خاصة	ممنوع
Tromp-Taylor	عد الأحجار	قابل للتعديل	سوبر كو	مسموح
قواعد AGA	عد أحجار/نقاط	7.5 نقطة	سوبر كو	ممنوع
قواعد نيوزيلندا	عد الأحجار	7 نقاط	كو بسيط	مسموح

التنفيذ التقني

KataGo يرمز معلومات القواعد كخصائص إدخال:

# مثال خصائص متعلقة بالقواعد
rule_features = {
    'komi': 7.5,           # قيمة الكومي
    'scoring_rule': 'area', # عد أحجار/نقاط
    'ko_rule': 'simple',    # قاعدة الكو
    'suicide_allowed': False,
    'tax_rule': 'none',     # هل هناك ضريبة "العين"
    # ...
}

الشبكة تتعلم تعديل الاستراتيجية حسب القواعد المختلفة. مثلاً:

• تحت عد النقاط، تركيز أكبر على التحكم في المنطقة
• عند السماح بالانتحار، يمكن استخدامه لتكتيكات خاصة
• كومي مختلف يؤثر على اختيارات الافتتاح

التنبؤ المتزامن بنسبة الفوز والنقاط

هذه إحدى أكثر ميزات KataGo عملية، ذات قيمة كبيرة لتعليم وتحليل Go.

Value مقابل Score

القيمة التطبيقية العملية

1. تقييم موقف أدق:

   • نسبة فوز 80% لكن متقدم بنقطة واحدة فقط → لا تزال هناك متغيرات
   • نسبة فوز 80% ومتقدم بـ 20 نقطة → الأمر محسوم

2. مساعدة التعليم:

   • جعل الطلاب يفهمون "كم نقطة خسرت هذه الحركة"
   • مقارنة فرق النقاط بين طرق لعب مختلفة

3. تحليل مباريات الهانديكاب:

   • تقييم دقيق لمناسبة الهانديكاب
   • الحكم على اللعب الهجومي أم الدفاعي

توزيع النقاط

KataGo لا يتنبأ بنقاط واحدة فقط، بل يتنبأ بتوزيع النقاط الكامل:

مثال توزيع النقاط:
├─ الأسود يفوز بـ 10 نقاط فأكثر: 15%
├─ الأسود يفوز بـ 5-10 نقاط: 25%
├─ الأسود يفوز بـ 0-5 نقاط: 20%
├─ الأبيض يفوز بـ 0-5 نقاط: 18%
├─ الأبيض يفوز بـ 5-10 نقاط: 15%
└─ الأبيض يفوز بـ 10 نقاط فأكثر: 7%

القيمة المتوقعة: الأسود +3.2 نقطة
الانحراف المعياري: ±8.5 نقطة

هذه المعلومات التوزيعية تعكس بشكل أفضل تعقيد الموقف وعدم يقينه.

خريطة الملكية (Ownership Map)

Ownership يتنبأ بانتماء كل نقطة في النهاية للأسود أم الأبيض:

                  خريطة الملكية
    A B C D E F G H J K L M N O P Q R S T
19  ○ ○ ○ ○ ○ ○ · · · · · · · ● ● ● ● ● ●
18  ○ ○ ○ ○ ○ ○ · · · · · · · ● ● ● ● ● ●
17  ○ ○ ○ ○ ○ · · · · · · · · · ● ● ● ● ●
16  ○ ○ ○ ╋ · · · · · ╋ · · · · · ╋ ● ● ●
...

الرمز: ○ = منطقة الأبيض  ● = منطقة الأسود  · = غير محدد

سيناريوهات التطبيق

• تحليل الموقف: رؤية مناطق نفوذ الطرفين بنظرة واحدة
• حكم الحياة والموت: الحكم على إمكانية إنقاذ مجموعة
• حساب النهاية: تقييم قيمة اللعب في مناطق مختلفة
• العرض التعليمي: تصور مفهوم المنطقة

مقارنة الاختلافات مع AlphaGo

الجانب	AlphaGo Zero	KataGo
أهداف التدريب	Policy + Value	أهداف مساعدة متعددة
معلومات الإخراج	نسبة الفوز	نسبة الفوز + النقاط + المنطقة
دعم القواعد	قاعدة واحدة	قواعد متعددة
هيكل الشبكة	ResNet التفافي خالص	مع تجميع شامل
كمية البحث	ثابتة	عشوائية
كفاءة التدريب	المرجع	تحسين كفاءة حوالي 50 مرة
درجة المصدر المفتوح	وصف الورقة	مفتوح المصدر بالكامل

مقارنة كفاءة التدريب

الموارد المطلوبة للوصول لمستوى ELF OpenGo:

ELF OpenGo:
- 2000 GPU
- أسبوعان تدريب

KataGo:
- 1 GPU (أو عشرات GPU للتسريع)
- أيام إلى أسابيع

تحسين الكفاءة: حوالي 50-100 مرة

تفاصيل بنية الشبكة

التجميع الشامل (Global Pooling)

CNN التقليدية يمكنها رؤية المعلومات المحلية فقط، KataGo يضيف طبقة تجميع شامل لالتقاط الخصائص الشاملة:

class GlobalPoolingBlock(nn.Module):
    def forward(self, x):
        # x: [batch, channels, 19, 19]

        # تجميع المتوسط الشامل
        global_avg = x.mean(dim=[2, 3])  # [batch, channels]

        # تجميع الحد الأقصى الشامل
        global_max = x.max(dim=2)[0].max(dim=1)[0]  # [batch, channels]

        # دمج الخصائص الشاملة
        global_features = torch.cat([global_avg, global_max], dim=1)

        # معالجة الخصائص الشاملة
        global_features = dense_layer(global_features)  # [batch, C]

        # بث الخصائص الشاملة للأبعاد المكانية
        global_broadcast = broadcast_to_spatial(global_features)

        return torch.cat([x, global_broadcast], dim=1)

الفوائد:

• القدرة على استشعار الوضع الشامل (مثل من يتقدم)
• معالجة أفضل للمواقف التي تتطلب حكماً شاملاً
• مفيد بشكل خاص لتنبؤ النقاط

حجم الشبكة

KataGo يوفر نماذج بأحجام مختلفة:

النموذج	عدد الكتل البقية	عدد القنوات	عدد البارامترات	سيناريو الاستخدام
b10c128	10	128	~5M	تشغيل CPU
b15c192	15	192	~15M	GPU عامة
b20c256	20	256	~35M	GPU متوسطة
b40c256	40	256	~70M	GPU عالية
b60c320	60	320	~150M	GPU عليا

الأداء الفعلي

تقييم القوة

أداء KataGo في الاختبارات المختلفة:

• يتفوق على جميع شبكات Leela Zero
• يحافظ على نسبة فوز عالية ضد المحترفين 9 دان
• المركز الأول في CGOS (Computer Go Server)

ميزات التحليل

وضع تحليل KataGo يوفر:

{
  "moveInfos": [
    {
      "move": "Q16",
      "visits": 3420,
      "winrate": 0.573,
      "scoreLead": 2.8,
      "pv": ["Q16", "D4", "Q4", "D16"],
      "ownership": [...]
    }
  ],
  "rootInfo": {
    "winrate": 0.48,
    "scoreLead": -0.5,
    "visits": 10000
  }
}

قراءة إضافية

• ورقة KataGo: Accelerating Self-Play Learning in Go
• مشروع KataGo على GitHub
• سجلات تدريب وتحليل KataGo

بعد فهم الخصائص التقنية لـ KataGo، لنرى تطور AI أخرى للعبة Go، للحصول على فهم أشمل للصناعة بأكملها.