KataGo पेपर विश्लेषण

KataGo David Wu द्वारा विकसित ओपन-सोर्स गो AI है, इसका पेपर《Accelerating Self-Play Learning in Go》2019 में प्रकाशित हुआ। KataGo कम कम्प्यूटिंग संसाधनों में ELF OpenGo से अधिक मजबूत है, वर्तमान में सबसे शक्तिशाली ओपन-सोर्स गो AI है।

KataGo के नवाचार

KataGo ने न्यूरल नेटवर्क आर्किटेक्चर में क्रांतिकारी बदलाव नहीं किए, बल्कि प्रशिक्षण विधियों और सहायक कार्यों में व्यवस्थित अनुकूलन किया, जिससे महत्वपूर्ण दक्षता वृद्धि हुई।

मूल नवाचार अवलोकन

नवाचार	प्रभाव
सहायक प्रशिक्षण लक्ष्य	तेज़ सीखना, अधिक सुपरविज़न सिग्नल
ग्लोबल पूलिंग संरचना	वैश्विक जानकारी बेहतर कैप्चर
मल्टी-रूल सपोर्ट	एक मॉडल विभिन्न प्रतियोगिता नियमों पर
Playout Cap रैंडमाइजेशन	प्रशिक्षण दक्षता वृद्धि
बेहतर डेटा ऑग्मेंटेशन	प्रशिक्षण डेटा विविधता

अधिक कुशल प्रशिक्षण विधि

सहायक प्रशिक्षण लक्ष्य (Auxiliary Training Targets)

पारंपरिक AlphaGo Zero में केवल दो प्रशिक्षण लक्ष्य थे:

1. Policy: MCTS चाल प्रोबेबिलिटी वितरण भविष्यवाणी
2. Value: गेम जीत/हार भविष्यवाणी

KataGo ने कई सहायक प्रशिक्षण लक्ष्य जोड़े, अधिक समृद्ध सीखने के संकेत:

प्रत्येक आउटपुट हेड का विवरण

आउटपुट हेड	डायमेंशन	भविष्यवाणी लक्ष्य
Policy	19×19+1	प्रत्येक स्थिति की चाल प्रोबेबिलिटी (Pass सहित)
Value	3	जीत/हार/ड्रॉ की प्रोबेबिलिटी
Score	सतत मान	अंतिम अंक अंतर भविष्यवाणी
Ownership	19×19	प्रत्येक बिंदु का अंतिम स्वामित्व (काला/सफेद क्षेत्र)
Short-term Value	1	अल्पकालिक अपेक्षित जीत दर
Lead	1	वर्तमान में कितने अंक आगे

सहायक लक्ष्य प्रभावी क्यों हैं?

1. अधिक घना सुपरविज़न सिग्नल: Value केवल एक मान देता है, जबकि Ownership 361 सुपरविज़न बिंदु
2. ओवरफिटिंग कमी: मल्टी-टास्क लर्निंग का रेगुलराइजेशन प्रभाव
3. तेज़ कन्वर्जेंस: सहायक कार्य नेटवर्क को उपयोगी फीचर रिप्रेजेंटेशन जल्दी सीखने में मदद
4. बेहतर ग्रेडिएंट: वैनिशिंग ग्रेडिएंट समस्या से बचाव

Playout Cap रैंडमाइजेशन

AlphaGo Zero प्रति चाल निश्चित 800 MCTS सिमुलेशन करता था। KataGo ने रैंडमाइजेशन लागू किया:

# पारंपरिक तरीका
num_playouts = 800  # निश्चित

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

लाभ:

• प्रशिक्षण डेटा अधिक विविध
• मॉडल विभिन्न खोज गहराई में उचित निर्णय लेना सीखता है
• वास्तविक खेल में कम खोज में भी अच्छा प्रदर्शन

डेटा ऑग्मेंटेशन सुधार

पारंपरिक विधि गो की 8-गुना सिमेट्री (4 रोटेशन × 2 मिरर) का उपयोग करती थी। KataGo ने और सुधार किए:

• रैंडम सिमेट्री ट्रांसफॉर्म: प्रत्येक सैंपल पर यादृच्छिक सिमेट्री ट्रांसफॉर्म
• हिस्ट्री स्टेट रैंडमाइजेशन: ऐतिहासिक बोर्ड रिप्रेजेंटेशन का यादृच्छिक चयन
• कलर रैंडमाइजेशन: यादृच्छिक रूप से काले-सफेद दृष्टिकोण बदलना

विभिन्न गो नियमों का समर्थन

यह KataGo की महत्वपूर्ण विशेषता है। विभिन्न गो नियम रणनीतिक निर्णयों को प्रभावित करते हैं:

मुख्य नियम अंतर

नियम प्रणाली	स्कोरिंग विधि	कोमी	को नियम	आत्महत्या
चीनी नियम	क्षेत्र गणना	7.5 अंक	साधारण को	निषिद्ध
जापानी नियम	क्षेत्र गणना	6.5 अंक	सुपर को	निषिद्ध
कोरियाई नियम	क्षेत्र गणना	6.5 अंक	सुपर को	निषिद्ध
इंग नियम	क्षेत्र गणना	8 पॉइंट	विशेष को	निषिद्ध
Tromp-Taylor	क्षेत्र गणना	समायोज्य	सुपर को	अनुमत
AGA नियम	दोनों	7.5 अंक	सुपर को	निषिद्ध
न्यूज़ीलैंड नियम	क्षेत्र गणना	7 अंक	साधारण को	अनुमत

तकनीकी कार्यान्वयन

KataGo नियम जानकारी को इनपुट फीचर के रूप में एनकोड करता है:

# नियम संबंधित इनपुट फीचर उदाहरण
rule_features = {
    'komi': 7.5,           # कोमी मान
    'scoring_rule': 'area', # क्षेत्र/टेरिटरी
    'ko_rule': 'simple',    # को नियम
    'suicide_allowed': False,
    'tax_rule': 'none',     # क्या "आंख" टैक्स है
    # ...
}

नेटवर्क विभिन्न नियमों के अनुसार रणनीति समायोजित करना सीखता है। उदाहरण:

• टेरिटरी स्कोरिंग में वास्तविक क्षेत्र पर अधिक ध्यान
• आत्महत्या अनुमत होने पर विशेष रणनीतियां
• विभिन्न कोमी ओपनिंग चयन प्रभावित

जीत दर और अंक एक साथ भविष्यवाणी

यह KataGo की सबसे व्यावहारिक विशेषता है, गो शिक्षण और विश्लेषण के लिए अत्यंत मूल्यवान।

Value बनाम Score

व्यावहारिक मूल्य

1. अधिक सटीक स्थिति निर्णय:

   • 80% जीत दर लेकिन केवल 1 अंक आगे → अभी भी अनिश्चितता
   • 80% जीत दर और 20 अंक आगे → परिणाम निश्चित

2. शिक्षण सहायता:

   • छात्रों को समझाना कि एक चाल "कितने अंक की हानि"
   • विभिन्न चालों का अंक अंतर तुलना

3. हैंडीकैप गेम विश्लेषण:

   • हैंडीकैप उचित है या नहीं का सटीक मूल्यांकन
   • आक्रमण या रक्षा का निर्णय

Score Distribution

KataGo केवल एक अंक भविष्यवाणी नहीं, बल्कि पूर्ण अंक वितरण भविष्यवाणी:

अंक वितरण उदाहरण:
├─ काले 10+ अंक जीत: 15%
├─ काले 5-10 अंक जीत: 25%
├─ काले 0-5 अंक जीत: 20%
├─ सफेद 0-5 अंक जीत: 18%
├─ सफेद 5-10 अंक जीत: 15%
└─ सफेद 10+ अंक जीत: 7%

अपेक्षित मान: काला +3.2 अंक
मानक विचलन: ±8.5 अंक

यह वितरण जानकारी स्थिति की जटिलता और अनिश्चितता बेहतर दर्शाती है।

Ownership Map (क्षेत्र मानचित्र)

Ownership प्रत्येक बिंदु के अंतिम स्वामित्व (काला या सफेद) की भविष्यवाणी:

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

चिह्न: ○ = सफेद क्षेत्र  ● = काला क्षेत्र  · = अनिर्धारित

उपयोग परिदृश्य

• स्थिति विश्लेषण: दोनों के प्रभाव क्षेत्र एक नजर में
• जीवन-मृत्यु निर्णय: क्या कोई समूह बचाया जा सकता है
• एंडगेम गणना: विभिन्न एंडगेम चालों का मूल्य
• शिक्षण प्रदर्शन: क्षेत्र अवधारणा का दृश्य प्रदर्शन

AlphaGo से तुलना

पहलू	AlphaGo Zero	KataGo
प्रशिक्षण लक्ष्य	Policy + Value	मल्टीपल सहायक लक्ष्य
आउटपुट जानकारी	जीत दर	जीत दर + अंक + क्षेत्र
नियम समर्थन	एकल नियम	मल्टीपल नियम
नेटवर्क संरचना	शुद्ध CNN ResNet	ग्लोबल पूलिंग सहित
खोज मात्रा	निश्चित	रैंडमाइज्ड
प्रशिक्षण दक्षता	बेसलाइन	~50 गुना दक्षता वृद्धि
ओपन-सोर्स स्तर	पेपर विवरण	पूर्ण ओपन-सोर्स

प्रशिक्षण दक्षता तुलना

ELF OpenGo स्तर प्राप्त करने के लिए आवश्यक संसाधन:

ELF OpenGo:
- 2000 GPU
- 2 सप्ताह प्रशिक्षण

KataGo:
- 1 GPU (या दर्जनों GPU त्वरण)
- कुछ दिन से कुछ सप्ताह

दक्षता वृद्धि: लगभग 50-100 गुना

नेटवर्क आर्किटेक्चर विवरण

ग्लोबल पूलिंग (Global Pooling)

पारंपरिक CNN केवल स्थानीय जानकारी देख सकता है, KataGo ने ग्लोबल पूलिंग लेयर जोड़कर वैश्विक फीचर कैप्चर:

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

        # ग्लोबल एवरेज पूलिंग
        global_avg = x.mean(dim=[2, 3])  # [batch, channels]

        # ग्लोबल मैक्स पूलिंग
        global_max = x.max(dim=2)[0].max(dim=1)[0]  # [batch, channels]

        # ग्लोबल फीचर मर्ज
        global_features = torch.cat([global_avg, global_max], dim=1)

        # ग्लोबल फीचर स्पेशल डायमेंशन में ब्रॉडकास्ट
        global_features = global_features.view(batch, -1, 1, 1)
        global_features = global_features.expand(-1, -1, 19, 19)

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

लाभ:

• वैश्विक स्थिति (जैसे कौन आगे) समझ सकता है
• वैश्विक निर्णय वाली स्थितियां बेहतर संभालता है
• अंक भविष्यवाणी के लिए विशेष रूप से सहायक

नेटवर्क साइज

KataGo विभिन्न आकार के मॉडल प्रदान करता है:

मॉडल	रेसिडुअल ब्लॉक	चैनल	पैरामीटर	उपयुक्त परिदृश्य
b10c128	10	128	~5M	CPU रनिंग
b15c192	15	192	~15M	सामान्य GPU
b20c256	20	256	~35M	मध्यम GPU
b40c256	40	256	~70M	उच्च GPU
b60c320	60	320	~150M	शीर्ष GPU

वास्तविक प्रदर्शन

ताकत मूल्यांकन

KataGo का विभिन्न परीक्षणों में प्रदर्शन:

• सभी Leela Zero नेटवर्क से आगे
• पेशेवर 9-डान से खेलने में उच्च जीत दर
• CGOS (Computer Go Server) पर #1 रैंक

विश्लेषण सुविधाएं

KataGo का विश्लेषण मोड प्रदान करता है:

{
  "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
  }
}

आगे पढ़ें

• KataGo पेपर: Accelerating Self-Play Learning in Go
• KataGo GitHub प्रोजेक्ट
• KataGo प्रशिक्षण लॉग और विश्लेषण

KataGo की तकनीकी विशेषताएं समझने के बाद, अन्य गो AI के विकास देखें, पूरे उद्योग की व्यापक समझ के लिए।