Función de evaluación

El resultado de una función de evaluación manual suele ser un número entero cuyas unidades se denominan peones . El término «peón» se refiere al valor que tiene un jugador cuando posee un peón más que el oponente en una posición, como se explica en el apartado «Valor relativo de las piezas de ajedrez» . El número entero 1 suele representar una fracción de peón, y en el ajedrez por ordenador se utilizan comúnmente los centipeones , que equivalen a una centésima parte de un peón.

Históricamente, en el ajedrez computacional, los términos de una función de evaluación son construidos (es decir, diseñados manualmente) por el desarrollador del motor, en lugar de ser descubiertos mediante el entrenamiento de redes neuronales . El enfoque general para construir funciones de evaluación diseñadas manualmente consiste en una combinación lineal de varios términos ponderados que influyen en el valor de una posición. Sin embargo, no todos los términos de una función de evaluación diseñada manualmente son lineales, como la seguridad del rey y la estructura de peones. Cada término puede considerarse compuesto por factores de primer orden (aquellos que dependen únicamente del espacio y de cualquier pieza en él), factores de segundo orden (el espacio en relación con otros espacios) y factores de enésimo orden (dependencias del historial de la posición).

Una función de evaluación manual suele tener un término de balance material que generalmente domina la evaluación. Los valores convencionales utilizados para el material son: Reina=9, Torre=5; Caballo o Alfil=3; Peón=1; al rey se le asigna un valor arbitrariamente grande, generalmente mayor que el valor total de todas las demás piezas. ^{[ 1 ]} Además, suele tener un conjunto de términos posicionales que generalmente no suman más que el valor de un peón, aunque en algunas posiciones los términos posicionales pueden ser mucho mayores, como cuando el jaque mate es inminente. Las funciones de evaluación manual suelen contener de docenas a cientos de términos individuales.

En la práctica, las funciones de evaluación manuales eficaces no se crean ampliando la lista de parámetros evaluados, sino ajustando o entrenando cuidadosamente las ponderaciones relativas entre sí, de un conjunto modesto de parámetros como los descritos anteriormente. Para ello, se utilizan posiciones de diversas bases de datos, como partidas de maestros, partidas de motores de ajedrez, partidas de Lichess o incluso autoaprendizaje, como en el aprendizaje por refuerzo .

Una técnica importante en la evaluación desde al menos principios de la década de 1990 es la tabla pieza-casilla (también llamada tabla de valor de pieza). ^{[ 7 ] [ 8 ]} Cada tabla es un conjunto de 64 valores que corresponden a las casillas del tablero de ajedrez. La implementación más básica de la tabla pieza-casilla consiste en tablas separadas para cada tipo de pieza por jugador, lo que en ajedrez resulta en un total de 12 tablas pieza-casilla. Los valores en las tablas son bonificaciones/penalizaciones por la ubicación de cada pieza en cada casilla, y codifican una combinación de muchos factores sutiles difíciles de cuantificar analíticamente. En las funciones de evaluación elaboradas manualmente, a veces hay dos conjuntos de tablas: uno para la apertura/medio juego y otro para el final; las posiciones del medio juego se interpolan entre ambos. ^{[ 9 ]}

Aunque las redes neuronales se han utilizado en las funciones de evaluación de los motores de ajedrez desde finales de la década de 1980, ^{[ 10 ] [ 11 ]} no se popularizaron en el ajedrez computarizado hasta finales de la década de 2010, ya que el hardware necesario para entrenar redes neuronales no era lo suficientemente potente en ese momento, y aún no se habían desarrollado algoritmos de entrenamiento rápidos ni topologías y arquitecturas de red. Las funciones de evaluación basadas en redes neuronales generalmente consisten en una red neuronal entrenada mediante aprendizaje por refuerzo o aprendizaje supervisado para aceptar un estado del tablero como entrada y generar un valor real o entero como salida.

Las redes neuronales profundas se han utilizado, aunque con poca frecuencia, en el ajedrez computacional después de que Giraffe de Matthew Lai ^{[ 12 ]} en 2015 y AlphaZero de Deepmind en 2017 demostraran la viabilidad de las redes neuronales profundas en las funciones de evaluación. El proyecto de computación distribuida Leela Chess Zero se inició poco después para intentar replicar los resultados del artículo AlphaZero de Deepmind. Aparte del tamaño de las redes, las redes neuronales utilizadas en AlphaZero y Leela Chess Zero también difieren de las utilizadas en los motores de ajedrez tradicionales en que predicen una distribución a través de los movimientos subsiguientes (el cabezal de política ) además de la evaluación (el cabezal de valor ). ^{[ 13 ]} Dado que las redes neuronales profundas son muy grandes, los motores que utilizan redes neuronales profundas en su función de evaluación generalmente requieren una unidad de procesamiento gráfico para calcular eficientemente la función de evaluación.

La función de evaluación utilizada por la mayoría de los motores principales es la red neuronal actualizable eficientemente (NNUE), una red neuronal dispersa y poco profunda propuesta originalmente para el shogi computarizado en 2018 por Yu Nasu. ^{[ 14 ] [ 15 ] [ 16 ]} De hecho, la arquitectura NNUE más básica es simplemente las 12 tablas de piezas y casillas descritas anteriormente, una red neuronal con una sola capa y sin funciones de activación . Una arquitectura de red neuronal actualizable eficientemente se portó por primera vez al ajedrez en un derivado de Stockfish llamado Stockfish NNUE, lanzado públicamente el 30 de mayo de 2020, ^{[ 17 ]} y se incorporó al motor oficial de Stockfish el 6 de agosto de 2020. ^{[ 18 ] [ 19 ]}

Los programas de ajedrez suelen utilizar bases de datos de finales para evaluar de forma rápida y precisa las posiciones finales.