Comment fonctionnent les moteurs d'échecs - un aperçu de Stockfish et AlphaZero

Aperçu

Explore chess AI evolution:

from Deep Blue's algorithms to Stockfish's Minimax, and AlphaZero's revolutionary self-learning approach using Monte Carlo Tree Search and neural networks.

Programme

• Introduction à l'IA dans les échecs
Aperçu historique des moteurs d'échecs
Importance et impact de l'IA dans les échecs
• Deep Blue : La Fondation
Aperçu de l'architecture de Deep Blue
Systèmes basés sur des règles et recherche par force brute
Étude de cas : Garry Kasparov contre Deep Blue
• Stockfish et l'algorithme Minimax
Fondamentaux de l'algorithme minimax
Rôle de l'élagage alpha-bêta
Fonctions d'évaluation heuristiques
Forces et limites de Stockfish
Étude de cas : analyse approfondie d'une partie de Stockfish
• Introduction à l'apprentissage automatique dans les échecs
Bases de l'apprentissage automatique et des réseaux neuronaux
Transition des systèmes basés sur des règles aux systèmes basés sur l'apprentissage
• AlphaZero : Une Nouvelle Ère
Aperçu de l'architecture d'AlphaZero
Recherche Arborescente Monte Carlo expliquée
Apprentissage par renforcement et méthodes d'auto-entraînement
Processus de formation des réseaux neuronaux
Innovations et contributions à l'IA
• Comparaison entre Stockfish et AlphaZero
La différence dans les approches et architectures
Forces, faiblesses et applications pratiques
Analyse des performances et résultats comparatifs
• Tendances Futures dans l'IA pour les échecs
Directions actuelles de la recherche
Avancées potentielles et défis
Considérations éthiques et impact sur les échecs humains
• Conclusion
Résumé des points clés
L'avenir de l'IA dans les jeux stratégiques
• Clôture du cours et session finale de questions-réponses

---

Matières

Conference Talks