An advanced AI chess engine based on ML

Abstract

Software implementation of an AI chess engine based on a combination of several state-of-the-art machine learning algorithms.

Chess is one of the most loved and at the same time difficult board games in history. During these last decades, a variety of chess engines have achieved levels of play humans could never reach, and using various methods to get there. They all come together in two large dominant groups, those using sophisticated search techniques and brute-force evaluation functions, and those using advanced machine learning methods. In this project, two engines were created, one with brute-force evaluation and one with machine learning. Although several options were considered for the machine learning method, Deep Learning proved to be the better choice.

Els escacs és un dels jocs de taula més estimats i al mateix temps més complicats de la història. Durant les darreres dècades, una varietat de motors d'escacs ha aconseguit un nivell de joc que els humans mai podrien arribar, utilitzant diversos mètodes per fer-ho. Tots ells s'agrupen en dos grans grups dominants, aquells que utilitzen tècniques de cerca sofisticades i funcions d'avaluació de força bruta, i aquells que utilitzen mètodes avançats d'aprenentatge automàtic. En aquest projecte, dos motors han sigut creats, un utilitzant avaluació de força bruta i un amb aprenentatge de màquina. Tot i que vàries opcions van ser considerades per aquest segon mètode, el "Deep Learning" ha provat ser la millor opció..

El ajedrez es uno de los juegos de mesa más queridos y a su vez más complicados de la historia. Durante las últimas décadas, una variedad de motores de ajedrez han conseguido un nivel de juego que los humanos nunca podrían llegar a alcanzar, usando varios métodos para ello. Todos ellos se juntan en dos grandes grupos dominantes, aquellos que usan técnicas de búsqueda sofisticadas y funciones de evaluación de fuerza bruta, y aquellos que usan métodos avanzados de aprendizaje automático. En este proyecto, dos motores han sido creados, uno usando evaluación de fuerza bruta y uno con aprendizaje automático. Aunque varias opciones han sido consideradas para este segundo método, "Deep Learning" ha probado ser la mejor opción.