이전에 올렸던 DQN으로 구현한 캐치게임을 수정하여 오목게임을 구현해보았습니다. 입력은 10*10이고 히든레이어는 2개의 층으로 구성되었습니다. 출력 역시 10*10인데 각 행동에 대한 Q값을 나타냅니다.

양쪽 플레이어가 번갈아 수를 두는데 두번째 플레이어는 돌의 상태를 반전하여 입력으로 이용합니다. 그렇게 하여 각 플레이어 마다 따로 학습하지 않고 하나의 모델을 사용하도록 하였습니다.

게임에 이겼을 경우 1의 보상값을 받습니다. 그런데 너무 학습이 느려서 자기 돌과 인접한 위치일 경우 0.05의 보상값을 추가로 주었습니다.

솔직히 생각했던 것만큼 학습이 잘 되지 않았습니다. 다층신경망을 딥러닝 CNN으로 변경해 보았지만 마찬가지였습니다. 행동이 100개로 너무 많은게 가장 큰 이유가 아닐까 합니다.

딥마인드가 했던 아타리 게임은 행동이 몇개 되지 않아서 패턴을 어느정도 일반화 시킬 수 있습니다. 하지만 오목은 각 위치마다 정교하게 수를 두어야 하기 때문에 Q-Learning으로는 적합하지 않는 듯 합니다. 알파고처럼 MCTS같은 방법이 기본적으로 필요할 것 같습니다.

https://github.com/deepseasw/OmokQLearning

위의 링크에서 소스 코드를 확인하실 수 있습니다. 실행 방법은 다음과 같습니다.

< 다층신경망 버전 >

python OmokTrain.py -> 훈련

python OmokPlay.py -> 게임 실행

< 딥러닝 버전 >

python OmokTrainDeep.py -> 훈련

python OmokPlayDeep.py -> 게임 실행

< 인공지능 개발자 모임 >

- 페이스북 그룹에 가입하시면 인공지능에 대한 최신 정보를 쉽게 받으실 수 있습니다.

- https://www.facebook.com/groups/AIDevKr/