Satranç taşlarının bir pozisyondaki gerçek değerini belirlemek, oyunun en karmaşık problemlerinden biri olarak kabul ediliyor. Çünkü her taşın katkısı, tahta üzerindeki diğer tüm taşlarla kurduğu uzamsal ilişkilere bağlı olarak değişiyor. Araştırmacılar bu soruna yenilikçi bir yapay zeka yaklaşımıyla çözüm getirdi.
Geliştirilen PAWN (Piece Value Analysis with Neural Networks) sistemi, CNN tabanlı bir autoencoder kullanarak satranç tahtasının tam durumunu gizli pozisyon temsillerine dönüştürüyor. Bu yaklaşım, geleneksel MLP tabanlı tahmin sistemlerinden farklı olarak, her taşın değerini izole bir şekilde değil, tüm oyun durumu bağlamında değerlendiriyor.
Sistem, büyükusta seviyesindeki 12 milyondan fazla taş-değer çiftini içeren kapsamlı bir veri seti ile eğitildi. Bu verilerin doğruluk etiketleri, dünyanın en güçlü satranç motorlarından biri olan Stockfish 17 tarafından üretildi.
Test sonuçları oldukça etkileyici: Yeni sistem, bağlamdan bağımsız MLP tabanlı sistemlere kıyasla doğrulama ortalama mutlak hatasını %16 azalttı ve göreceli taş değerlerini yaklaşık 0.65 piyon hassasiyetle tahmin edebildi.
Bu çalışmanın daha geniş anlamda önemi, herhangi bir sistemde bireysel bileşenlerin katkısını tahmin ederken, tam problem durumunun kodlanmasının değerli bir tümevarımsal önyargı sağladığını göstermesi. Bu yaklaşım, satrançtan başka birçok karmaşık karar verme problemine de uygulanabilir.