Generative kontradiktoriske netværk frigøres til nye niveauer i videospil

Nogle ville finde denne AI-genererede smerte lækker. Andre vil gerne råbe af deres parakitter. AI -forskere, som omtalt i to papirer, undersøger, hvordan generative adversarial netværk (GAN'er) kan skabe nye niveauer til to populære spil.

I to separate papirer om arXiv, holdene undersøgte GAN'er for at levere nye videospilniveauer.

Super Mario og Doom er omdrejningspunkterne for forskere, der søger at tilføje nye niveauer af sejhed - som "forestil dig frustrationen ved at spille et spil, hvor vanskeligheden konstant kan ændre sig, " sagde Registret.

For de (en håndfuld) læsere, der ikke ved, hvem Super Mario er, dette er "et populært platformspil, der kontrollerer en overskægsom mand i røde overalls for at indsamle mønter og undgå fjender for at nå en prinsesse, "sagde Katyanna Quach. Og Doom? Hun sagde, dette var den "klassiske first person shooter fra begyndelsen af ​​1990'erne."

"Generering af DOOM -niveau ved hjælp af generative modstridende netværk" er af tre forfattere, der har tilknytning til Politecnico di Milano.

"Evolving Mario Levels in the Latent Space of a Deep Convolutional Generative Adversarial Network" er af seks forfattere med tilknytninger, der omfatter Queen Mary University of London, Southwestern University (Texas), TU Dortmund Universitet, University of California i Santa Cruz og IT University of Copenhagen.

De sagde, selvom det specifikke spil i dette papir var Super Mario Bros, "teknikken bør generalisere til ethvert spil, for hvilket et eksisterende korpus af niveauer er tilgængeligt."

Rent faktisk, hvis du stadig ikke er helt overbevist om, forstår du, hvad der foregår her, derefter MIT Technology Review 's oversigt over DOOM om "Emerging Technology from the arXiv" den 7. maj rækker langt.

"Spillet er en first-person shooter, hvor et rumfartøjer kæmper for at overleve mod forskellige dæmoner og zombier. Spillet er bemærkelsesværdigt, fordi det var banebrydende 3D-grafik til pc'er, der kører MS-DOS, introduceret netværkets multiplay, og tillod endda spillere at oprette deres egne spilniveauer. "

Så, Ja, der er allerede niveauer af DOOM. Men nu, der er dette twist. "Er det muligt at bruge disse data til at træne en deep-learning algoritme til at skabe sine egne Doom-niveauer, som et menneske ville finde overbevisende?"

Tony Palanco, Nørd.com :"GAN'er er et system af to netværk kaldet en generator og en diskriminator. Generatoren bygger falske træningsdataprøver, mens diskriminatoren finder ud af, om prøverne er ægte eller falske. Disse to konkurrerer med hinanden. Efterhånden som processen fortsætter, generatoren skaber stadig mere realistiske prøver i et forsøg på at bedrage diskriminatoren. "

Dette ville ikke være første gang, at en generativ adversarial network (GAN) tilgang har skabt nyheder. Sidste år, det blev rapporteret, hvordan to konkurrerende neurale netværk kan resultere i et fotorealistisk ansigt, med opmærksomhed på et NVIDIA -papir. I det papir, forskere diskuterede en måde at generere ansigter på via et GAN. Tom McKay ind Gizmodo havde beskrevet GAN som "en klasse af algoritme, hvor forskere parrer to konkurrerende neurale netværk mod hinanden."

En af de to havde en funktion som at gengive billeder eller forsøge at løse et problem, mens den anden opførte sig i modstridende tilstand, udfordrer de første resultater.

Den nuværende Mario -papirs forfattere nævnte fotobilleder. De skrev, "Selvom GAN'er er kendt for deres succes med at generere fotorealistiske billeder (sammensat af pixels med blandbare farveværdier), deres anvendelse på diskrete flisebelagte billeder er mindre undersøgt. "

De sagde, at resultaterne i avisen viste, at "GAN'er generelt er i stand til at fange den grundlæggende struktur for et Mario -niveau, dvs. en krydsbar grund med nogle forhindringer. "

Hvad er det næste?

Hvad angår Super Mario GAN, op på GitHub finder du noget, der hedder MarioGAN. Den uddannede model er i stand til at generere nye niveausegmenter, sagde beskrivelsen, "med input af en latent vektor, og disse segmenter kan sys sammen for at lave komplette niveauer. "

I et større billede af alt dette i MIT Technology Review :

"Spillemagere stoler på menneskelig ekspertise og omfattende test for at skabe gode niveauer. Og fordi det er så dyrt, mange af dem leder efter effektive måder at automatisere processen eller hjælpe spildesigneren.

Måske dette. Find en måde at automatisere niveauoprettelse, i hvert fald delvist, er en betydelig bedrift. Det bør frigøre menneskelige designere til at fokusere på større billedspørgsmål, f.eks. typen af ​​niveau, de ønsker at generere. "

© 2018 Tech Xplore