AVALIANDO A TÉCNICA DE APRENDIZADO POR REFORÇO NEAT QUANDO APLICADA A UMA REDE NEURAL JOGANDO UM VIDEOGAME DE CONSOLE DE 8 BITS

Resumo

Junto à recente popularidade da Inteligência Artificial, amparada na redução dos custos de hardware massivamente paralelo, surgiu um crescente interesse em algoritmos de autoaprendizado. Em outras palavras, em processos que permitam a uma rede neural aprender de forma não supervisionada. Quando o ambiente para aprendizado é dinâmico, podem ser aplicadas técnicas de Aprendizado por Reforço, que permitem que uma rede neural seja refinada por sucessivas tentativas. Em particular, ambientes simulados como os providos por jogos de computador são ideais para aplicar este aprendizado, tanto pelo desafio técnico como pelo seu fator lúdico. Este artigo descreve um estudo sobre a aplicação do algoritmo NEAT para treinar automaticamente uma rede neural para jogar o clássico videogame de ação Gradius, lançado para o console de 8 bits Nintendo Entertainment System (NES). O algoritmo NEAT é especialmente interessante, pois aplica técnicas de algoritmos genéticos para evoluir a topologia de uma rede neural, modificando também os pesos das suas conexões. Este trabalho fundamenta as questões técnicas envolvidas, apresentando os resultados da ligação entre uma rede neural que se inicia com zero conhecimento e um emulador capaz de executar o jogo eletrônico. São analisados os diversos efeitos dos parâmetros de aprendizado e dos ajustes feitos na função de fitness. Ao final, é demonstrado que a rede neural artificial se torna capaz de jogar autonomamente um trecho inicial daquele jogo.