Sommigen zouden deze door AI gegenereerde pijn heerlijk vinden. Anderen zouden tegen hun parkieten willen schreeuwen. AI-onderzoekers, zoals besproken in twee papers, onderzoeken hoe generatieve adversariële netwerken (GAN's) nieuwe niveaus kunnen creëren voor twee populaire games.

In twee afzonderlijke artikelen over arXiv, de teams verkenden GAN's om nieuwe videogameniveaus te leveren.

Super Mario en Doom zijn de aandachtspunten van onderzoekers die nieuwe niveaus van robuustheid willen toevoegen, zoals "stel je de frustratie voor van het spelen van een spel waarvan de moeilijkheidsgraad constant kan veranderen, " zei Het register.

Voor die (een handvol) lezers die niet weten wie Super Mario is, dit is "een populair platformspel dat een besnorde man in rode overall bestuurt om munten te verzamelen en vijanden te vermijden om een ​​prinses te bereiken, " zei Katyanna Quach. En Doom? Ze zei:dit was de "klassieke first person shooter uit de vroege jaren 1990."

"DOOM Level Generation using Generative Adversarial Networks" is van drie auteurs die banden hebben met Politecnico di Milano.

"Evoluerende Mario-niveaus in de latente ruimte van een diep convolutionele generatieve vijandige netwerk" is door zes auteurs met voorkeuren waaronder Queen Mary University of London, Southwestern University (Texas), TU Dortmund Universiteit, University of California in Santa Cruz en IT University of Copenhagen.

Ze zeiden dat hoewel de specifieke game in deze krant Super Mario Bros was, "de techniek moet generaliseren naar elk spel waarvoor een bestaand corpus van niveaus beschikbaar is."

Werkelijk, als je nog niet helemaal overtuigd bent dat je begrijpt wat hier aan de hand is, dan MIT Technology Review Het overzicht over DOOM op "Emerging Technology from the arXiv" van 7 mei gaat een lange weg.

"De game is een first-person shooter waarin een marinier uit de ruimte vecht om te overleven tegen verschillende demonen en zombies. De game is opmerkelijk omdat hij pionierde met 3D-graphics voor pc's met MS-DOS, genetwerkte multiplayer geïntroduceerd, en lieten spelers zelfs hun eigen spelniveaus maken."

Dus, Ja, er zijn al niveaus van DOOM. Maar nu, er is deze draai. "Is het mogelijk om deze gegevens te gebruiken om een ​​diepgaand lerend algoritme te trainen om zijn eigen Doom-niveaus te creëren die een mens aantrekkelijk zou vinden?"

Tony Palanco, Geek.com :"GAN's is een systeem van twee netwerken die een generator en een discriminator worden genoemd. De generator bouwt valse trainingsgegevensmonsters terwijl de discriminator onderscheidt of de monsters echt of nep zijn. Deze twee concurreren met elkaar. Naarmate het proces vordert, de generator creëert steeds realistischere samples in een poging de discriminator te misleiden."

Dit zou niet de eerste keer zijn dat een generatieve adversarial netwerk (GAN)-aanpak nieuws haalt. Vorig jaar, er werd gemeld hoe twee concurrerende neurale netwerken kunnen resulteren in een fotorealistisch gezicht, met aandacht op een NVIDIA-papier. In dat blad, onderzoekers bespraken een manier om gezichten te genereren via een GAN. Tom McKay in Gizmodo had GAN beschreven als "een klasse van algoritmen waarbij onderzoekers twee concurrerende neurale netwerken aan elkaar koppelen."

Een van de twee had een functie zoals het renderen van afbeeldingen of het proberen op te lossen van een probleem, terwijl de ander zich vijandig gedroeg, de resultaten van de eerste uitdagen.

De auteurs van de huidige Mario-paper noemden fotobeelden. Zij schreven, "Hoewel GAN's bekend staan ​​om hun succes bij het genereren van fotorealistische afbeeldingen (samengesteld uit pixels met mengbare kleurwaarden), hun toepassing op discrete betegelde afbeeldingen is minder onderzocht."

Ze zeiden dat de resultaten in het artikel aantoonden dat "GAN's over het algemeen in staat zijn om de basisstructuur van een Mario-niveau vast te leggen, dat wil zeggen een berijdbaar terrein met enkele obstakels."

Wat is het volgende?

Wat betreft de Super Mario GAN, op GitHub vind je iets dat MarioGAN heet. Het getrainde model is in staat om nieuwe niveausegmenten te genereren, zei de beschrijving, "met de invoer van een latente vector, en deze segmenten kunnen aan elkaar worden genaaid om complete niveaus te maken."

In een groter plaatje van dit alles in MIT Technology Review :

"Gamemakers vertrouwen op menselijke expertise en uitgebreide tests om goede niveaus te creëren. En omdat dit zo duur is, velen van hen zijn op zoek naar effectieve manieren om het proces te automatiseren of de game-ontwerper te helpen.

Misschien is dit het. Een manier vinden om het maken van niveaus te automatiseren, althans gedeeltelijk, is een belangrijke prestatie. Het zou menselijke ontwerpers moeten vrijmaken om zich te concentreren op grotere problemen, zoals het type niveau dat ze willen genereren. "

© 2018 Tech Xplore