Algunos encontrarían delicioso este dolor generado por la IA. Otros querrían gritarles a sus periquitos. Investigadores de IA, como se discutió en dos artículos, están explorando cómo las redes generativas de confrontación (GAN) pueden crear nuevos niveles para dos juegos populares.

En dos artículos separados sobre arXiv, los equipos exploraron las GAN para ofrecer nuevos niveles de videojuegos.

Super Mario y Doom son los puntos focales de los investigadores que buscan agregar nuevos niveles de resistencia, como "imagina la frustración de jugar un juego donde la dificultad puede cambiar constantemente, " dijo El registro.

Para aquellos (un puñado) lectores que no saben quién es Super Mario, este es "un popular juego de plataformas que controla a un hombre con bigote con un mono rojo para recolectar monedas y evitar que los enemigos alcancen a una princesa, "dijo Katyanna Quach. ¿Y Doom? Ella dijo, este fue el "clásico juego de disparos en primera persona de principios de la década de 1990".

"DOOM Level Generation using Generative Adversarial Networks" es de tres autores afiliados al Politecnico di Milano.

"Evolving Mario Levels in the Latent Space of a Deep Convolutional Generative Adversarial Network" es de seis autores con afiliaciones que incluyen Queen Mary University of London, Universidad del suroeste (Texas), Universidad TU Dortmund, Universidad de California en Santa Cruz y Universidad de TI de Copenhague.

Dijeron que aunque el juego específico en este documento era Super Mario Bros, "la técnica debería generalizarse a cualquier juego para el que se disponga de un corpus de niveles existente".

Realmente, si aún no está del todo convencido de que comprende lo que está pasando aquí, luego Revisión de tecnología del MIT La descripción general de DOOM en "Tecnología emergente de arXiv" del 7 de mayo es muy útil.

"El juego es un juego de disparos en primera persona en el que un marine espacial lucha para sobrevivir contra varios demonios y zombis. El juego es notable porque fue pionero en gráficos 3-D para PC con MS-DOS, introdujo el multiplay en red, e incluso permitió a los jugadores crear sus propios niveles de juego ".

Entonces, sí, ya hay niveles de DOOM. Pero ahora, hay este giro. "¿Es posible usar estos datos para entrenar un algoritmo de aprendizaje profundo para crear sus propios niveles de Doom que un humano encontraría convincentes?"

Tony Palanco, Geek.com :"GAN es un sistema de dos redes llamado generador y discriminador. El generador genera muestras de datos de entrenamiento falsas mientras que el discriminador discierne si las muestras son reales o falsas. Estos dos compiten entre sí. A medida que el proceso continúa, el generador crea muestras cada vez más realistas en un intento de engañar al discriminador ".

Esta no sería la primera vez que un enfoque de red generativa adversaria (GAN) ha sido noticia. El año pasado, se informó cómo dos redes neuronales en competencia pueden resultar en una cara fotorrealista, con atención en un papel NVIDIA. En ese papel los investigadores discutieron una forma de generar caras a través de una GAN. Tom McKay en Gizmodo había descrito GAN como "una clase de algoritmo en el que los investigadores emparejan dos redes neuronales que compiten entre sí".

Uno de los dos tenía una función como renderizar imágenes o intentar resolver un problema, mientras que el otro se comportaba en modo adversario, desafiando los resultados del primero.

Los autores actuales del artículo de Mario mencionaron imágenes fotográficas. Ellos escribieron, "Aunque las GAN son conocidas por su éxito en la generación de imágenes fotorrealistas (compuestas por píxeles con valores de color mezclables), su aplicación a imágenes en mosaico discretas está menos explorada ".

Dijeron que los resultados en el documento mostraban que "las GAN en general son capaces de capturar la estructura básica de un nivel de Mario, es decir, un terreno transitable con algunos obstáculos ".

¿Que sigue?

En cuanto al Super Mario GAN, en GitHub encontrarás algo llamado MarioGAN. El modelo entrenado es capaz de generar nuevos segmentos de nivel, dijo la descripción, "con la entrada de un vector latente, y estos segmentos se pueden unir para formar niveles completos ".

En una vista de imagen más grande de todo esto en Revisión de tecnología del MIT :

"Los creadores de juegos confían en la experiencia humana y las pruebas exhaustivas para crear buenos niveles. Y debido a que esto es tan caro, muchos de ellos buscan formas efectivas de automatizar el proceso o ayudar al diseñador del juego.

Quizás este sea. Encontrar una forma de automatizar la creación de niveles, al menos en parte, es un logro significativo. Debería liberar a los diseñadores humanos para que se centren en cuestiones más amplias, como el tipo de nivel que quieren generar. "

© 2018 Tech Xplore