예전에 올린 글에서, 저는 Monte Carlo Tree Search (MCTS) 방법 자체가 문제가 아니고, 패턴 인식(pattern recognition)에 기반해서 tree search를 할 때 기존에 사용하는 패턴이 상당히 초보적이고 엉성했으며, 이 분야의 발전을 통해 AI의 향상을 꾀할 수 있을 것 같다고 했습니다.

페이스북에서 만든 dark forest engine에 대해 서술한 논문[1](엄밀히 말하면 출판된 것은 아니고 arxiv에 올라왔습니다만)을 구해 읽어 보니, MCTS를 Deep Convolutional Neural Network (DCNN/Deep CNN)과 함께 썼더군요. 이 DCNN이라는 것은 인공 신경망(artificial neural network)의 한 종류인데, 요즘 화제가 되고 있는 기계학습/딥러닝 분야의 테크닉입니다. 기존에 DCNN을 이용한 연구는 이미 있었는데[2, 3] 이것을 개선하여 기력을 크게 향상시켰습니다. 해당 논문에서는 KGS에서 1-2단 수준이었다고 했는데 그 새 많이 늘었군요.

이 방법에서는 기존의 기보 데이터를 이용해 인공 신경망을 훈련시킨 후, 훈련한 인공 신경망을 현재 벌어진 판에서 착수를 예측하는 데 사용합니다. 그 결과, 사람의 수를 57.3% 확률로 맞출 수 있었다고 하네요. 

아직 기계학습을 통한 바둑 인공지능 연구가 비교적 시작 단계이므로 다양한 테크닉을 통해 기력 향상을 꾀할 수 있을 것 같고(이 연구가 그랬듯이요), 다양한 데이터 혹은 양질의 데이터를 통해 training할 수 있으면 아직 발전의 여지는 충분하다고 생각합니다.

[1] Y. Tian and Y. Zhu, arXiv:1511.06410 [cs.LG]

[2] C. J. Maddison, A. Huang, I. Sutskever and D. Silver, arXiv:1412.6564 [cs.LG]

[3] C. Clark and A. Storney, Training deep convolutional neural networks to play go. In Proceedings of the 32nd International Conference on Machine Learning (ICML-15), 1766 (2015).