Pyrarucu é um bot de Xadrez desenvolvido pelo grupo de extensão em Ciência de Dados da USP São Carlos, DATA. É desenvolvido em Python, pela facilidade de integração com a interface do lichess-bot e de compreensão.
Visamos, com esse projeto, aplicar técnicas de Inteligência Artifical em conjunto com o Aprendizado de Máquina priorizando a legibilidade e inteligibilidade.
Você pode desafiar o bot para uma partida no Lichess. Esse projeto é uma continuação do Tiny Chess Bot Challenge.
Sinta-se livre para abrir uma nova Issue (novas funcionalidades e melhorias para o Bot) e fazer seu Pull Request com adições ao projeto quando possível. Caso seja membro do DATA e queira contribuir, converse com um coordenador para ser adicionado como contribuidor.
Para contribuir com o projeto, você pode seguir o guia disponível em Contributing to a project.
Clone o repositório e rode a seguinte lista de comandos
python -m venv venv
source venv/bin/activate
pip install -r requirements
Isso irá criar um ambiente virtual em Python, permitindo o desenvolvimento do bot.
Para jogar localmente contra o bot, use
python play.py
Assim, é possível ter uma noção do tempo de jogo e força do Pyrarucu.
É possível sair do jogo com Ctrl+D
Notebooks jupyter são ótimas ferramentas para auxiliar no desenvolvimento de um modelo. Assim, o desenvolvimento e treinamento estão em notebooks/01_training.ipynb. Não hesite em realizar contribuições e testes por lá.
A parte do processamento está no arquivo strategies.py, mais especificamente na classe MyBot().
Todas as mudanças exceto quanto a notebooks devem ser nesse arquivo.
- Função de Pesquisa com Alpha Beta Pruning
alpha_beta_pruning() - Função de Análise simples
simple_evaluation() - Função de Análise com Rede Neural
ml_evaluation()
Para compreender um pouco melhor como bots de Xadrez funcionam, vamos explicar alguns conceitos:
Um bitboard é um array de bits muito comum em jogos de computador, onde cada bit representa uma peça ou um espaço. No nosso caso, o Bitboard é uma ferramenta que ajuda a produzir uma representação vetorial do tabuleiro de Xadrez.
Existem 12 tipos de peças diferentes no jogo, sendo o peão branco, o bispo branco, ... e o rei preto. Assim, cada peça pode receber sua representação em bitboards, que é um vetor de tamanho 64 (há um espaço para cada casa do tabuleiro) e recebe o valor 1 caso a peça se encontre ali e 0 caso contrário.
Esses vetores, quando empilhados (formando um único vetor de tamanho 12x64) podem ser utilizados para treinar algoritmos de aprendizado de máquina.
A função de análise def evaluation() recebe como entrada um tabuleiro de xadrez e retorna um valor que indica a situação atual do jogo. É comum que um valor positivo represente vantagem das brancas e vice-versa.
A magnitude da função é dada de tal forma que 1 ponto de vantagem é equivalente a um peão de vantagem.
A partir da função de análise, buscaremos encontrar qual lance leva a melhor posição.
Para isso, podemos criar uma árvore onde cada nó é uma posição com um valor assinalado pela função de análise. A partir da posição atual - o nó raiz da nossa árvore - diferentes lances levam a diferentes posições, que por sua vez podem ser vantajosas ou não. Considerando que o adversário sempre fará os melhores lances, a função de pesquisa encontra o lance que nos dá a melhor posição independente da resposta do oponente.
Uma forma muito comum de encontrar o caminho descrito no tópico anterior é através do algoritmo MinMax.
De forma simplificada, o algoritmo encontra o caminho que busca maximizar as posições vantajosas ao mesmo tempo que minimiza as posições com análise ruim.
As heurísticas desempenham um papel importante na hora de ajudar o programador a encontrar uma solução aproximada para um problema incerto. Para os bots de Xadrez, são bem úteis para diminuir o tempo de pesquisa e normalmente demandam conhecimento do jogo.
Por exemplo, podemos implementar uma heurística que priorize lances de xeque no turno do bot. Atualmente, é utilizada uma heurística para ordenar os movimentos por importância antes de analisar cada um. Assim, espera-se que haja uma melhora significativa no tempo de raciocínio do Pyrarucu.
Um dataset é uma base de dados imensa que pode ser utilizada para o treinamento de modelos de aprendizado de máquina. O dataset Chess Evaluations possui milhares de posições no formato FEN acompanhadas de respectivas análises pelo computador Stockfish.
Na nossa aplicação, atualmente utilizamos uma função de análise baseada em redes neurais que possui a etapa de treinamento com o dataset descrito no tópico passado.
Inicialmente transformamos os tabuleiros em diversos bitboards através da função fen_to_bit_array(). Com as representações vetoriais, podemos treinar a nossa rede neural para predizer o resultado esperado de acordo com o dataset.
Sequência de passos para construir os bitboards, treinar a rede neural e efetuar uma predição.
X = df['FEN'].apply(fen_to_bit_array).to_list()
y = df['Evaluation']
reg = MLPRegressor().fit(X, Y)
reg.predict(X_test)Com o qual obtemos o valor
0.07698299Chess Programming Wiki Stanford CS221 Coding Adventure: Making a Better Chess Bot