본문으로 건너뛰기

KataGo 논문 해독

KataGo는 David Wu가 개발한 오픈소스 바둑 AI로, 논문 《Accelerating Self-Play Learning in Go》가 2019년 발표되었습니다. KataGo는 더 적은 계산 자원으로 ELF OpenGo를 초월하는 기력을 달성했으며, 현재 가장 강력한 오픈소스 바둑 AI입니다.

KataGo의 혁신점​

KataGo는 신경망 아키텍처에서 혁명적인 변화를 만든 것이 아니라 훈련 방법과 보조 작업에서 체계적 최적화를 통해 상당한 효율 향상을 실현했습니다.

핵심 혁신 개요​

혁신점효과
보조 훈련 목표학습 가속, 더 많은 감독 신호 제공
전역 풀링 구조전역 정보 포착 향상
다중 규칙 지원단일 모델이 다양한 경기 규칙 적응
Playout Cap 무작위화훈련 효율 향상
개선된 데이터 증강훈련 데이터 다양성 증가

더 효율적인 훈련 방법​

보조 훈련 목표(Auxiliary Training Targets)​

전통적인 AlphaGo Zero는 두 가지 훈련 목표만 있습니다:

  1. Policy: MCTS 착점 확률 분포 예측
  2. Value: 게임 승패 예측

KataGo는 여러 보조 훈련 목표를 추가하여 더 풍부한 학습 신호를 제공합니다:

각 출력 헤드 설명​

출력 헤드차원예측 목표
Policy19×19+1각 위치의 착점 확률(Pass 포함)
Value3승/패/무승부 확률
Score연속값최종 집수 차이 예측
Ownership19×19각 점의 최종 귀속(흑/백 영역)
Short-term Value1단기 예상 승률
Lead1현재 몇 집 앞서는지

보조 목표가 효과적인 이유​

  1. 더 밀집된 감독 신호: Value는 하나의 수치만 제공, Ownership은 361개 감독 포인트 제공
  2. 과적합 감소: 다중 작업 학습이 정규화 효과
  3. 수렴 가속: 보조 작업이 네트워크가 유용한 특징 표현을 더 빨리 학습하도록 도움
  4. 더 나은 그래디언트 제공: 그래디언트 소실 문제 회피

Playout Cap 무작위화​

AlphaGo Zero는 매 수마다 고정 800회 MCTS 시뮬레이션. KataGo는 무작위화 도입:

# 전통 방식
num_playouts = 800  # 고정

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

이점:

  • 훈련 데이터 더 다양화
  • 모델이 다른 탐색 깊이에서도 합리적 판단 학습
  • 실제 대국 시 탐색량이 적어도 좋은 성능

데이터 증강 개선​

전통 방법은 바둑의 8중 대칭(4회 회전 × 2회 대칭)을 활용하여 데이터 증강. KataGo는 더 개선:

  • 무작위 대칭 변환: 매 샘플링 시 무작위로 대칭 변환 선택
  • 히스토리 상태 무작위화: 히스토리 국면 표현 방식 무작위 선택
  • 색상 무작위화: 흑백 시점 무작위 교환

다중 바둑 규칙 지원​

이것은 KataGo의 중요한 특색 중 하나입니다. 다른 바둑 규칙은 전략적 결정에 영향을 미칩니다:

주요 규칙 차이​

규칙 체계계산 방식덤패 규칙자충
중국 규칙돌계산법7.5집단순패금지
일본 규칙집계산법6.5집슈퍼패금지
한국 규칙집계산법6.5집슈퍼패금지
응씨 규칙돌계산법8점특수패규금지
Tromp-Taylor돌계산법조절가능슈퍼패허용
AGA 규칙돌/집계산7.5집슈퍼패금지
뉴질랜드 규칙돌계산법7집단순패허용

기술 구현​

KataGo는 규칙 정보를 입력 특징으로 인코딩합니다:

# 규칙 관련 입력 특징 예시
rule_features = {
    'komi': 7.5,           # 덤 값
    'scoring_rule': 'area', # 돌/집계산
    'ko_rule': 'simple',    # 패 규칙
    'suicide_allowed': False,
    'tax_rule': 'none',     # '눈' 세금 여부
    # ...
}

네트워크가 다른 규칙에 따라 전략을 조정하는 법을 학습합니다. 예를 들어:

  • 집계산법에서 실리 컨트롤 더 중시
  • 자충 허용 시 특수 전술에 사용 가능
  • 다른 덤은 포석 선택에 영향

승률과 집수 동시 예측​

이것은 KataGo의 가장 실용적인 기능 중 하나로, 바둑 교육과 분석에 매우 가치 있습니다.

Value vs Score​

실제 응용 가치​

  1. 더 정밀한 국면 판단:

    • 승률 80%지만 1집만 앞섬 → 아직 변수 있음
    • 승률 80%이고 20집 앞섬 → 대세 결정

  2. 교육 보조:

    • 학생이 한 수가 '몇 집 손해'인지 이해하게 함
    • 다른 수법의 집수 차이 비교

  3. 접바둑 분석:

    • 접바둑 조건이 적절한지 정확히 평가
    • 공격 또는 수비 판단

Score Distribution​

KataGo는 단일 집수만 예측하지 않고 완전한 집수 분포를 예측합니다:

집수 분포 예시:
├─ 흑 10집 이상 승: 15%
├─ 흑 5-10집 승: 25%
├─ 흑 0-5집 승: 20%
├─ 백 0-5집 승: 18%
├─ 백 5-10집 승: 15%
└─ 백 10집 이상 승: 7%

기대값: 흑 +3.2집
표준편차: ±8.5집

이러한 분포 정보가 국면의 복잡도와 불확실성을 더 잘 반영합니다.

Ownership Map(영역 맵)​

Ownership은 각 점이 종국 시 흑/백 어느 쪽에 귀속되는지 예측합니다:

                  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  ○ ○ ○ ╋ · · · · · ╋ · · · · · ╋ ● ● ●
...

범례: ○ = 백 영역  ● = 흑 영역  · = 미정

응용 시나리오​

  • 국면 분석: 양측 세력권 한눈에 파악
  • 사활 판단: 특정 돌덩어리가 살 수 있는지 판단
  • 끝내기 계산: 각 끝내기의 가치 평가
  • 교육 시연: 영역 개념 시각화

AlphaGo와의 차이 비교​

측면AlphaGo ZeroKataGo
훈련 목표Policy + Value다중 보조 목표
출력 정보승률승률 + 집수 + 영역
규칙 지원단일 규칙다중 규칙
네트워크 구조순수 합성곱 ResNet전역 풀링 추가
탐색량고정무작위화
훈련 효율기준약 50배 효율 향상
오픈소스 수준논문 설명완전 오픈소스

훈련 효율 비교​

ELF OpenGo 수준 도달에 필요한 자원:

ELF OpenGo:
- 2000 GPU
- 2주 훈련

KataGo:
- 1 GPU(또는 수십 GPU 가속)
- 며칠~수주

효율 향상: 약 50-100배

네트워크 아키텍처 세부사항​

전역 풀링(Global Pooling)​

전통 CNN은 로컬 정보만 볼 수 있지만, KataGo는 전역 풀링 레이어를 추가하여 전역 특징 포착:

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

        # 전역 평균 풀링
        global_avg = x.mean(dim=[2, 3])  # [batch, channels]

        # 전역 최대 풀링
        global_max = x.max(dim=2)[0].max(dim=1)[0]  # [batch, channels]

        # 전역 특징 결합
        global_features = torch.cat([global_avg, global_max], dim=1)

        # 전역 특징 처리
        global_features = dense_layer(global_features)  # [batch, C]

        # 공간 차원으로 브로드캐스트하여 일반 경로와 결합
        global_broadcast = broadcast_to_spatial(global_features)
        x = regular_out + global_broadcast

이점:

  • 전역 형세 인식 가능(누가 앞서는지 등)
  • 전역 판단이 필요한 국면을 더 잘 처리
  • 집수 예측에 특히 도움

네트워크 규모​

KataGo는 다양한 크기의 모델을 제공합니다:

모델잔차 블록 수채널 수파라미터 수적용 시나리오
b10c12810128~5MCPU 실행
b15c19215192~15M일반 GPU
b20c25620256~35M중급 GPU
b40c25640256~70M고급 GPU
b60c32060320~150M최상급 GPU

실제 성능​

기력 평가​

KataGo의 각종 테스트 성능:

  • 모든 Leela Zero 네트워크 초월
  • 프로 9단과의 대국에서 높은 승률 유지
  • CGOS(Computer Go Server)에서 1위

분석 기능​

KataGo의 분석 모드가 제공하는 것:

{
  "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
  }
}

추가 읽기​

KataGo의 기술 특징을 이해했다면, 기타 바둑 AI의 발전을 살펴보며 전체 산업을 더 전면적으로 이해해 봅시다.