Equipo de investigacion poker
Estrategia de póquer de cepheus
En un artículo (PDF) publicado el 6 de enero, un equipo de colaboradores de la Universidad de Alberta, la Universidad Charles y la Universidad Técnica Checa afirma que su IA DeepStack es el «primer programa informático que vence a jugadores profesionales de póquer en partidas de Texas hold’em sin límite». Esta afirmación, que aún no ha sido revisada por expertos, se produce tras una serie de victorias contra jugadores humanos de alto nivel: en total, se jugaron 44.852 manos contra 33 jugadores seleccionados por la Federación Internacional de Póquer. Bueno, «cadena» quizá no sea la palabra correcta; parece que los jugadores humanos fueron básicamente derrotados.
«En todas las partidas jugadas, DeepStack ganó 492 mbb/g», dice el documento de DeepStack. «Esto está a más de 4 desviaciones estándar de cero, y por lo tanto es altamente significativo. Hay que tener en cuenta que los jugadores profesionales de póquer consideran que 50 mbb/g es un margen considerable».
También es importante recordar que se trata de partidas de no-limit, hold’em, que son significativamente más complejas que las de limit hold’em. Recuerda: en el formato limitado, las apuestas y las subidas tienen como límite la ciega grande. El Hold’em sin límite, en cambio, permite a los jugadores apostar tanto o tan poco como quieran, siempre que sea por encima de la subida mínima; este es probablemente el formato con el que estás más familiarizado si disfrutas viendo a la gente ir all-in.
Póquer deepstack
El equipo de científicos informáticos del Grupo de Investigación de Póquer por Ordenador de la Universidad de Alberta, que incluye investigadores de la Universidad Charles de Praga y de la Universidad Técnica Checa, dijo que DeepStack tiende un puente entre los enfoques utilizados para los juegos de información perfecta y los utilizados para los juegos de información imperfecta.
Los juegos de información imperfecta son un modelo matemático general que describe cómo interactúan los decisores. La investigación en inteligencia artificial tiene una larga historia de uso de juegos de salón para estudiar estos modelos, pero la atención se ha centrado principalmente en los juegos de información perfecta.
«Necesitamos nuevas técnicas de IA que puedan manejar casos en los que los responsables de la toma de decisiones tengan diferentes perspectivas», señaló Bowling. DeepStack amplía la capacidad de pensar en cada situación durante el juego -que ha tenido éxito en juegos como las damas, el ajedrez y el Go- a los juegos de información imperfecta mediante una técnica llamada re-solución continua.
Esto permite a DeepStack determinar la estrategia correcta para una situación concreta de póquer sin tener que pensar en toda la partida, utilizando su «intuición» para evaluar cómo podría desarrollarse la partida en un futuro próximo.Entrenamos a nuestro sistema para que aprenda el valor de las situaciones», dijo Bowling.
Equipo de investigacion poker 2021
La búsqueda en árbol de Monte Carlo (MCTS) es una técnica basada en el muestreo y la simulación para buscar en grandes espacios de búsqueda que contienen tanto nodos de decisión como eventos probabilísticos. Hemos utilizado esta técnica en juegos como el póker (Van den Broeck et al, 2009). Estos juegos tienen reglas conocidas y la alternancia entre los movimientos propios y los eventos no deterministas o los movimientos del oponente puede utilizarse para eliminar las ramas no interesantes. Aunque la búsqueda de árboles de Montecarlo (MCTS) representó una revolución en la investigación de la IA relacionada con los juegos, actualmente no es apta para las tareas que tratan con acciones continuas y (a menudo como consecuencia) con estados de juego. Las recientes aplicaciones de MCTS a juegos casi continuos, como las variantes de póker sin límite, han sorteado este problema discretizando la acción o el espacio de estados. Hemos presentado la Búsqueda de Aprendizaje en Árbol (TLS) como una alternativa a la discretización a priori. TLS emplea ideas de la minería de flujos de datos para combinar la inducción incremental de árboles con MCTS para construir discretizaciones dependientes del estado del juego que permiten a MCTS centrar su extensión de muestreo de forma más eficiente en regiones del espacio de búsqueda con rendimientos prometedores.
Poker ai github
Siguiendo este enfoque, el objetivo es determinar los límites máximos de la información secreta que se puede revelar a los demás. La doctoranda Alexandra Weber trabaja en este tema en la cátedra de Mantel. «Puedo determinar qué cantidad de secreto podría filtrarse en el peor de los casos», dice la joven científica. «Me resulta muy motivador que mi investigación me permita ofrecer garantías de seguridad tan precisas y fiables». Por ejemplo, si una clave criptográfica consta de 256 bits, el enfoque formal puede utilizarse para calcular cuántos bits podrían filtrarse a un atacante a través de un canal lateral como máximo. «En el proceso, el modelo matemático define por dónde puede fluir la información, cuáles son los secretos y qué puede «ver» el atacante», según Weber. El objetivo de la investigación en CROSSING es crear herramientas para analizar el software con respecto a los canales laterales de forma automática.
Ya fue posible identificar de forma semiautomática este tipo de lagunas en una cooperación interdisciplinar muy exitosa entre el grupo de investigación dirigido por el profesor Mantel y el equipo «q-TESLA». q-TESLA es un esquema de firma poscuántica desarrollado en el Centro de Investigación Colaborativa CROSSING que se presentó al primer proceso de estandarización del mundo en este ámbito. En la implementación de la versión anterior, los equipos lograron identificar un canal lateral de caché en la función que genera la firma. Al eliminar este punto débil, mejoraron la seguridad del esquema de firma, lo que también podría aumentar las oportunidades en el proceso de estandarización.
