Otonom oyun ajanlarının performansını sürekli iyileştirmek için görev tabanlı görsel dikkat kullanımı

Son zamanlardaki makine öğrenmesi ilerlemeleri, dijital zeka alanında makine öğrenmesinin bir alt kümesi olan Derin Takviyeli Öğrenme (DTO) tekniklerinin benimsenmesini beraberinde getirmiştir. DTO, ajanların çevreleriyle etkileşim yoluyla ardışık kararlar almasını ve davranışlarını uyarlamasını sağlayarak deneyimden öğrenme ve karar verme gerektiren görevler için özellikle uygundur. DTO'nun bu artan kullanımı, dijital ajanların yeteneklerini geliştirmek için yeni olanaklar açmış ve otonom oyun oynama, robot kontrolü ve kaynak tahsisi optimizasyonu gibi karmaşık zorluklarla başa çıkmalarını sağlamıştır. DTO'daki bu ilerlemeler, akıllı ajanların çeşitli alanlarda daha verimli bir şekilde nasıl çalıştığına dair yeni bir umut taşımaktadır. Bu tez, adaptif karar verme nedeniyle önemli ilgi toplayan video oyunu oynama ajanlarının belirli bir alanına odaklanmaktadır. Çalışma, DTO tekniklerinin oyun oynama ajanlarının geliştirilmesi ve iyileştirilmesi için uygulanmasını ele almaktadır. DTO, çeşitli karmaşık video oyunu ortamlarında etkili bir şekilde gerçekleştirilmiştir. Birçok oyun ortamında, DeepMind'in temel olarak kullandığı Derin Q-Ağı (DQN) oyun ajanları, insan seviyesinde bir performans sergilemiştir. Bununla birlikte, bu DTO modelleri öğrenmek için birçok deneyim örneğine ihtiyaç duymakta ve çevredeki değişikliklere uyum sağlamada ve karmaşıklığı yönetmede esneklikten yoksundur. Tezin birinci bölümünde, DQN oyun ajanına hem yukarıdan aşağıya hem de aşağıdan yukarıya bir görsel dikkat mekanizmasının birleşik olarak entegre edildiği Dikkat-Artırılmış DQN (DADQN) oyun ajanı önerilmektedir. DADQN modelimiz, girdinin görevle ilgili özelliklerini vurgulamak için dikkat mekanizmasını kullanmaktadır. Bu sayede DQN oyun ajanına bir oyunda nasıl oynanacağını dinamik olarak öğretir. Atari 2600 oyun ortamındaki sekiz oyunun performans değerlendirmesinde, karmaşıklık seviyesi farklı olan oyunlarda, algoritmamızın temel DQN ajanını geride bıraktığını gösteriyoruz. Özellikle, modelimiz daha az zaman adımında daha büyük esneklik ve daha yüksek puanlar elde edebilmektedir. Bu tezin ikinci bölümünde, DQN oyun ajanında Yardımcı Fonksiyonların (YF) kullanımıyla ilişkili sınırlamalar ele alınmaktadır. Atari 2600 oyun ortamındaki bazı oyunlarda yardımcı fonksiyonların entegrasyonu ve daha verimli ve sağlam öğrenmeyi mümkün kılan stratejiler araştırılmaktadır. Bu çalışmalar, karmaşık ve dinamik oyun ortamlarında DQN oyun ajanının gelişimine katkıda bulunmayı amaçlamaktadır. Bu yöntemlerimizin, DQN'yi etkileyen içsel verimsizlik ve esneklik sorunlarını ele almada etkili olduğunu gösteriyoruz, bu da DQN oyun ajanı alanında önemli bir ilerlemeyi işaret ediyor. Yardımcı fonksiyonların ve dikkat mekanizmasının DQN algoritmalarıyla entegrasyonu üzerine yapılan araştırmalar, Atari oyun ortamlarında otonom oyun oynama performansının nasıl iyileştirilebileceğini göstermektedir. Bu tezin bulguları ve içgörüleri, sadece yapay zeka alanına değil, aynı zamanda geniş bir oyunsever ve geliştirici topluluğuna da katkı sağlaması beklenmektedir. Sofistike ve tepki veren oyun ajanlarının yaratılmasında yeni perspektifler sunmaktadır.