الرسم البياني الذي هزم الشبكة: لماذا تتفوق نماذج GAT في اختبار لعب كاندي كراش

لسنوات، اعتمد اختبار اللعب الآلي لألعاب الألغاز القائمة على الشبكة على الشبكات العصبية التلافيفية. جعلتها قدرتها على استخراج الأنماط المكانية من حالات الرقعة خيارًا طبيعيًا. لكن دراسة مقارنة جديدة من باحثين في شركة King Digital Entertainment، الاستوديو المطور للعبة Candy Crush Saga، تشير إلى أن البنية الأكثر شيوعًا قد لا تكون الأفضل للمهمة.

الورقة البحثية، بقيادة كليو فراجكيداكي وزملائها، تضع الشبكات العصبية التلافيفية في مواجهة بديلين: نموذج محول يعتمد على BERT وشبكة انتباه بيانية (GAT). الهدف هو معرفة أي منها يمكنه التنبؤ بدقة أكبر بتحركات اللاعبين وتقدير صعوبة المستوى عبر أكثر من 18,000 مستوى في Candy Crush Saga، العديد منها يقدم آليات تكسر افتراضات النماذج القائمة على الشبكة.

لماذا تفشل الشبكات

تتعامل الشبكات العصبية التلافيفية مع رقعة اللعبة كصورة ثابتة الحجم، وتقوم بتشفير محتوى كل مربع في طبقات قنوات منفصلة. يعمل هذا بشكل جيد للرقعات الثابتة، لكن مصممي Candy Crush يستمرون في إضافة عناصر جديدة: بوابات تنقل الحلوى عبر الرقعة، ومربعات خاصة تتفاعل بشكل غير محلي، وأهداف تختلف من مستوى لآخر. كل ميزة جديدة تفرض إعادة هندسة تمثيل الإدخال للشبكة العصبية التلافيفية، وإضافة قنوات، وضبط أحجام النواة، وإعادة التدريب من الصفر.

يتجاوز نموذج GAT هذا من خلال تمثيل الرقعة كرسم بياني. تصبح المربعات عقدًا، والعلاقات، مثل التجاور واتصالات البوابات، تصبح حوافًا. ثم تتعلم آلية الانتباه وزن هذه الاتصالات ديناميكيًا، مما يلتقط التبعيات بعيدة المدى التي تعاني الشبكات العصبية التلافيفية منها.

أرقام تروي قصة

النتيجة الرئيسية للدراسة: تحقق GAT دقة توقع بنسبة 54.37 في المائة للحركة الأولى، متقدمة قليلاً على دقة الشبكة العصبية التلافيفية البالغة 53.33 في المائة، وتتفوق عليها في مقاييس أفضل حركتين وثلاث وست حركات. لكن الفارق الحقيقي يظهر في تقدير الصعوبة، حيث يسجل نموذج GAT الكامل خطأً متوسطًا مطلقًا قدره 1.61 عبر جميع المستويات مقابل 1.98 للشبكة العصبية التلافيفية. في المستويات الصعبة، ينخفض خطأ GAT إلى 10.03 مقارنة بـ 14.00 للشبكة العصبية التلافيفية.

الأكثر دلالة ربما: عند تضمين اتصالات البوابات في إدخال الرسم البياني، يتحسن أداء GAT في المستويات التي تحتوي على بوابات، محققًا خطأً متوسطًا قدره 10.69 في المستويات الصعبة ذات البوابات مقابل 15.24 للشبكة العصبية التلافيفية. هذه قدرة لا تستطيع الشبكات العصبية التلافيفية محاكاتها ببساطة، لأن البوابات تربط بين مربعات غير متجاورة بطرق تكسر افتراض المكانية المحلية لمرشحات الالتفاف.

BERT يكافح لملاءمة الرقعة

أدت النماذج القائمة على BERT، المكيفة لتشفير حالات الرقعة كتسلسلات نصية أو رموز مصفوفة، بشكل سيئ. حقق المتغير النصي دقة توقع تبلغ 22.20 في المائة فقط للحركة الأولى، ووصل المتغير القائم على الرقعة إلى 35.84 في المائة. كلاهما متخلف عن الشبكة العصبية التلافيفية وGAT بفارق كبير. يلاحظ الباحثون أن افتقار بنية المحول إلى المعرفة المكانية المسبقة يضر بالأداء في مثل هذه المشكلة المهيكلة، على الرغم من نقاط قوتها في مهام اللغة.

تشير هذه النتائج إلى أن GAT تقدم مسارًا وسطيًا: فهي تحتفظ بقدرة الشبكات العصبية التلافيفية على التقاط الأنماط المحلية مع اكتساب المرونة لنمذجة العلاقات التعسفية، كل ذلك دون الحاجة إلى هندسة الميزات اليدوية لكل آلية لعبة جديدة.

ماذا يعني هذا لاختبار اللعب الآلي

اختبار اللعب الآلي هو أداة حاسمة لاستوديوهات الألعاب، مما يسمح لها باختبار مئات المستويات على نطاق واسع قبل الإصدار. يتضمن سير العمل القياسي تدريب نموذج على بيانات اللاعبين التاريخية، ثم استخدام هذا النموذج لمحاكاة جولات اللعب وتقدير مقاييس الصعوبة مثل عدد المحاولات لكل نجاح (APS). يسمح تقدير الصعوبة الدقيق للمصممين بضبط المستويات قبل أن تحبط اللاعبين الحقيقيين.

الرؤية الرئيسية للدراسة: اختيار تمثيل الإدخال الصحيح أكثر أهمية من اختيار أحدث بنية. نهج GAT القائم على الرسم البياني يتوافق بشكل طبيعي مع الهيكل العلائقي لرقعات الألعاب، بينما تفرض الشبكات العصبية التلافيفية رؤية متمركزة حول الشبكة تنهار مع تطور الألعاب. بالنسبة للاستوديوهات التي تتعامل مع ألقاب تحتوي على أكثر من 10,000 مستوى وتحديثات محتوى منتظمة، فإن الانتقال من الشبكات العصبية التلافيفية إلى GAT يمكن أن يعني دورات إعادة تدريب أقل وجودة اختبار لعب أكثر اتساقًا.

يمكن للأبحاث المستقبلية استكشاف البنى الهجينة، التي تجمع بين نقاط القوة العلائقية لـ GAT والمعالجة التسلسلية القائمة على المحول لنمذجة لاعبين أكثر دقة، لكن في الوقت الحالي، أثبت الرسم البياني تفوقه.