[논문 리뷰] On the Complexity of Reconnaissance Blind Chess

J. Markowitz, Ryan W. Gardner외 1명|arXiv (Cornell University)|2018. 11. 07.

Artificial Intelligence in Games참고 문헌 17인용 수 8

한 줄 요약

이 논문은 개인적인 감지 행동을 통해 제한된 상대의 기물 위치를 드러내는 방식으로, 극도의 불확실성을 만들어내는 체스 변형인 정찰 막힘 체스(RBC)의 계산 복잡도를 분석한다. 효과적인 감지 전략을 사용하더라도 RBC의 정보집합 크기는 체스와 유사하며, 평균 정보집합 크기는 헤드업 리미티드 텍사스 홀드아임의 것보다 크며, 깊은 불확실성 하에서 인공지능(AI)에 대한 고도로 도전적인 시험대가 된다.

ABSTRACT

This paper provides a complexity analysis for the game of reconnaissance blind chess (RBC), a recently-introduced variant of chess where each player does not know the positions of the opponent's pieces a priori but may reveal a subset of them through chosen, private sensing actions. In contrast to many commonly studied imperfect information games like poker, an RBC player does not know what the opponent knows or has chosen to learn, exponentially expanding the size of the game's information sets (i.e., the number of possible game states that are consistent with what a player has observed). Effective RBC sensing and moving strategies must account for the uncertainty of both players, an essential element of many real-world decision-making problems. Here we evaluate RBC from a game theoretic perspective, tracking the proliferation of information sets from the perspective of selected canonical bot players in tournament play. We show that, even for effective sensing strategies, the game sizes of RBC compare to those of Go while the average size of a player's information set throughout an RBC game is much greater than that of a player in Heads-up Limit Hold 'Em. We compare these measures of complexity among different playing algorithms and provide cursory assessments of the various sensing and moving strategies.

연구 동기 및 목표

• 정찰 막힘 체스(RBC)의 게임이론적 복잡도를 평가하기 위해, 비공개 감지와 불완전 정보를 특징으로 하는 새로운 체스 변형을 고려한다.
• RBC의 정보집합 증식이 체스와 포커와 같은 기존 게임과 비교해 어떻게 되는지 정량화하기 위해, 특히 효과적인 감지 전략 하에서의 비교를 수행한다.
• 기존의 불완전정보 게임 전용 AI 알고리즘—특히 추상화나 부분게임 분해에 의존하는 알고리즘—이 RBC에서 겪는 과제를 평가한다.
• RBC의 고유한 구조—상대방이 무엇을 안다는 것에 대한 불확실성—이 실제 세계의 알 수 없는 불확실성 하에서의 의사결정을 더 잘 모델링하는가를 탐색한다.
• 미래의 AI 연구를 위한 기초를 제공하기 위해, RBC가 불확실성 인식 의사결정에 대한 고복잡도 기준 테스트베드로 삼을 수 있음을 규명한다.

제안 방법

• 정보집합 증식과 게임 상태 증식을 추적하기 위해 표준 RBC 알고리즘 간의 시뮬레이션 토너먼트를 실시한다.
• 게임 복잡도를 측정하기 위해 두 가지 핵심 지표를 사용한다: 전반적인 플레이 중에 발생할 수 있는 정보집합의 총 수와 플레이어의 정보집합 평균 크기.
• 감지 행동 시퀀스와 기물 위치의 불확실성 기반으로 정보집합 수를 추정하기 위해 실증적 시뮬레이션을 활용한다.
• 감지 및 이동 전략의 차이가 정보집합 크기와 게임 복잡도에 미치는 영향을 평가한다.
• 정보집합의 지수적 증가로 인해 기존 AI 기법—예: 대조적 위험 최소화(CFR), ISMCTS, POMCP—이 RBC에 적용하기 어려운 이유를 분석한다.
• RBC에서 이론적 부분게임 분해를 탐색하여, 상대방의 지식 상태를 서로 모른다는 상호 무지의 특성으로 인해 공개 부분게임이 종종 전체 게임을 포함함을 규명한다.

실험 결과

연구 질문

• RQ1 RBC에서 발생할 수 있는 정보집합의 수는 체스와 헤드업 리미티드 텍사스 홀드아임과 비교해 어떻게 되는가?
• RQ2 RBC에서 플레이어의 정보집합 평균 크기는 얼마이며, 기존의 불완전정보 게임과 비교해 어떻게 되는가?
• RQ3 효과적인 감지 전략이 RBC에서 정보집합의 지수적 증가를 어느 정도 줄일 수 있는가?
• RQ4 플레이어가 상대방의 지식 상태를 모른다는 불확실성 때문에 기존의 부분게임 분해 기법이 RBC에서 효과가 없는 이유는 무엇인가?
• RQ5 정보집합의 규모가 막대한 데도 불구하고, CFR나 POMCP와 같은 기존 AI 기법이 RBC에 실제로 적용 가능한가?

주요 결과

• 효과적인 감지 전략을 사용하더라도, RBC에서 발생할 수 있는 정보집합 총 수는 체스와 유사하다.
• RBC에서 플레이어의 정보집합 평균 크기는 헤드업 리미티드 텍사스 홀드아임의 플레이어보다 크며, 상당히 높은 불확실성을 나타낸다.
• 단 7수 후에는 상대의 지식 상태에 대한 불확실성으로 인해 플레이어가 고려해야 할 정보집합이 약 7.8 × 10^10개에 이른다.
• RBC에서는 소규모 위치 변화가 전략적 함의를 극적으로 변화시키기 때문에, 표준 게임 추상화 기법의 효과적 적용이 어렵다.
• 상대방의 지식 상태를 서로 모른다는 상호 무지의 특성으로 인해, 정보집합의 불변성에 따라 닫힌 공개 부분게임이 종종 전체 게임을 포함함으로써 부분게임 분해가 거의 실용적이지 않다.
• 정보집합의 크기가 지수적으로 증가하고 수렴 보장이 없기 때문에, ISMCTS나 POMCP와 같은 기존 AI 방법론은 RBC에서 수렴성과 확장성 문제를 겪는다.