Predicting Subgoals in Ricochet Robots with a Graph Neural Network

Tato práce aplikuje grafové neuronové sítě na predikci podcílů ve hře s názvem Ricochet Robots, NP-úplné logické hře. Herní stavy jsou reprezentovány jako orientované grafy, kde uzly odpovídají políčkům mřížky a hrany reprezentují pohyby robotů. Rekurentní architektura Graph Attention Network je trénována k napodobení hierarchické vyhledávací heuristiky, která identifikuje slibné pozice (podcíle), kterých by cílový robot měl dosáhnout. Vyhodnoceny jsou dva klasifikační úkoly: identifikace políček, ze kterých je cíl nezávisle dosažitelný, a predikce optimálních podcílů. Model dosahuje téměř dokonalého výkonu u jednoduššího úkolu dosažitelnosti a prokazuje významné učení u komplexnějšího úkolu predikce optimálních podcílů. Výsledky potvrzují, že grafové neuronové sítě dokážou zachytit prostorové uvažování potřebné pro identifikaci podcílů ve výpočetně náročných problémových doménách, čímž vytvářejí základ pro autonomní objevování podcílů v komplexních stavových prostorech.