XiaoMi-AI文件搜索系统
World File Search System棋盘
光学互动棋盘
佛罗里达州，32816-2450 摘要 — 我们的项目旨在通过提供一个交互式平台，直观地展示棋盘上每个棋子的移动，从而为新手棋手提供学习和游戏体验。我们的创新设计适合两个不熟悉国际象棋的人，无需外部指导，让玩家能够直接参与游戏。我们设计的核心是集成在棋子底座中的照明系统。选择棋子后，无论游戏状态如何，它可以移动的相应方格都会亮起。此功能依赖于红外 (IR) 光通过底座上专门设计的滤光片的传输，由光电二极管检测。然后，这些光电二极管与微控制器通信，激活棋盘上相应的 RGB LED。通过直观地指示可能的移动，我们的系统加速了玩家的学习曲线，使他们能够快速轻松地掌握每个棋子的动态。这种沉浸式方法不仅可以教育玩家，还可以增强游戏过程中的乐趣。我们的项目利用光子技术与现有的电子棋盘区分开来，提供无缝、快捷的游戏体验，同时保留传统象棋的固有品质。
量子计算机棋盘游戏
有很多有趣的棋盘游戏。其中最受欢迎的是国际象棋、围棋和五子棋 (FIR)。具体来说，围棋和 FIR 都是在可扩展的方形棋盘上进行的（见图 1），两个玩家轮流在棋盘上放置黑白棋子。按照量子信息的惯例，我们分别将下白棋和黑棋的两个玩家称为 Alice 和 Bob。在本文中，我们专注于这些可扩展的棋盘游戏，并讨论如何对它们进行概括，以便量子计算机可以在具有内在量子移动的条件下玩它们。研究或玩这些量子棋盘游戏至少可以在两个方面受益。（1）人们一直试图了解思想或智慧是如何从物质中产生的。尽管大多数物理学家认为我们大脑的神经网络是经典的 [1]，但仍有物理学家有充分的理由认为量子物理对于理解我们的大脑至关重要，也就是说，我们的大脑在某种意义上是一台量子计算机，或者具有与量子计算机的一些共同特征 [2,3]。研究量子计算机如何在没有任何外部观察者的情况下相互下棋盘游戏可能有助于我们澄清这一基本问题（见第 5 节中与 QwQ（一台量子计算机与另一台量子计算机）的讨论）。（2）量子计算机的工作方式非常违反直觉。玩具有量子特征的棋盘游戏可以让孩子们更好地为使用量子计算机做好准备（见第 5 节中与 CwC（一台经典计算机与另一台经典计算机）的讨论）。
混合棋盘游戏中人工智能的分类
游戏和实体游戏的组合通常被称为“混合棋盘游戏”。混合棋盘游戏可以理解为更广泛的“混合游戏”的一部分，这些游戏通常涉及多种不同类型的媒体，而不一定由模拟和数字游戏元素的参与来定义 [3]。与此同时，在视频游戏领域，人工智能的重要性正在稳步上升，因为必要的技术越来越能够做出复杂的决策并解读复杂的游戏状态。这反过来又允许创建新的游戏元素，以及开发有助于设计和评估视频游戏的系统 [16,23]。这种趋势在混合棋盘游戏中不太明显，因为人工智能的使用似乎仍然处于比较初级的阶段。在这项工作中，我们介绍了在混合棋盘游戏领域对人工智能进行分类的第一步，目的是帮助研究和开发可以支持此类游戏的人工智能。我们认为，通过构建现有知识，分类法可以催化新想法的产生，甚至更重要的是，强调那些缺乏实践或理论知识的领域。寻找这样的设计空间可以为未来的工作带来有趣的机会，否则这些机会将无法得到探索。因此，我们的努力应该被理解为一种行动号召，即通过进一步的批判性论述和实证研究来加强所提出的结构。下一节“工作定义”提供了我们对混合棋盘游戏的工作定义，以及在这种游戏的背景下什么可以被视为“人工智能”。“分类视角”部分概述了一种拟议的分类法，通过不同的可能维度，尝试从中区分混合棋盘游戏中的人工智能。最后，我们将通过说明性示例讨论所提出的维度。
太空入侵者棋盘游戏修订的游戏规则
每当入侵者被枪击时，它会被销毁，并且将其卡添加到您的丢弃中，除非是事件。被摧毁的人的左右入侵者将在报复时开火。如果击中玩家，球员将失去一个额外的生命令牌。如果击中了一个掩体，则将一片切除。如果没有被摧毁的左侧或右侧的入侵者，该列不会发射。
面向教育工作者和学生的棋盘游戏 AI 竞赛
ColorShapeLinks 是一个人工智能棋盘游戏竞赛框架，专为电子游戏开发领域的学生和教育工作者而设计，具有开放性和可访问性。比赛基于任意大小的 Simplexity 棋盘游戏版本，其座右铭“简单易学，复杂难精通”也适用于人工智能代理。ColorShapeLinks 提供图形和基于文本的前端以及使用行业标准工具和遵循软件工程最佳实践构建的完全开放且有文档记录的开发框架。ColorShapeLinks 不仅是一场比赛，还是一个游戏和一个框架，教育工作者和学生可以扩展并使用它举办自己的比赛。它已成功用于在人工智能课堂上举办内部比赛，以及在 IEEE 游戏会议上举办国际人工智能比赛。
国际象棋和人脑 - 神秘化棋盘游戏的治疗价值
摘要对于大多数董事会 - 棋子，国际象棋被解释为智慧的引人入胜。脑部装饰游戏的提供远胜于遇到眼睛的游戏。尽管Rhazes认识到公元852年游戏的额外价值。最近才确认该价值。当前论文的目标是回顾出下棋引起的大脑的结构和功能变化，并探索其在治疗神经认知和行为障碍方面的效用。文献综述揭示了越来越多的关于国际象棋引起的神经可塑性的证据，并且在与关联，对象感知和模式识别有关的大脑区域中有明确的变化。尽管将游戏作为一种教育工具引入，以增强学校的认知和解决问题的技能，但其认知益处的证据尚不令人信服，并且主要限于数学领域。国际象棋与人格和行为有着密切的联系，心理学家成功地将其用作心理分析工具，以检测人格特质并引发情感和态度。作为一种临床工具，该游戏引起了人们对管理痴呆症和行为障碍（例如注意力缺陷多动障碍，惊恐发作和精神分裂症）的兴趣。由于是一个令人兴奋的策略游戏，国际象棋由于其新兴的治疗价值而在临床医生的武器库中为自己雕刻了一个利基市场。等待精心设计的未来试验，“所有游戏之王”是否有可能成为治疗性神经心理学领域的游戏改变者，还有待观察。
使用 Alpha-Beta 剪枝进行棋盘游戏 AI 开发
如今，电子游戏行业正在迅速发展，并受到越来越多的关注。该行业通过不断突破可能的界限来激发创新，从而鼓励人们创造新技术。由于这种快速变化，许多传统的策略棋盘游戏正在失去人们的兴趣。使用人工智能创建数字化版本将使这些游戏重新吸引到大量观众的关注中。国际象棋就是数字化棋盘游戏的一个很好的例子。这种游戏的许多不同实现都使用 Minimax 或 Alpha-Beta 剪枝算法 [8]。Minimax 是一种算法，它首先假设 AI 总是会移动以最大化评估函数给出的分数，而对手总是会移动以最小化该分数。对于每个节点，我们可以递归地将其分数定义为如果是最大玩家的回合，则其子节点的分数的最大值，否则为最小值。叶子节点由评估函数评分 [9]。Alpha beta 剪枝是一种改进的 Minimax 算法。该算法并不计算所有节点——它会剪掉那些不影响可能结果的节点。[9]
通过语言模型通过外部和内部计划掌握棋盘游戏
虽然大型语言模型在一系列复杂的任务（例如文本生成，问答，摘要）上表现良好，但强大的多步计划和推理仍然对他们来说是一个巨大的挑战。在本文中，我们表明，基于搜索的计划可以显着提高LLM在多个棋盘游戏中的表现力量（国际棋盘，Fischer Random / Chess960，Connect Four和Hex）。我们介绍，比较和对比两种主要方法：在外部搜索中，该模型指导蒙特卡洛树搜索（MCTS）的推出和评估，而无需呼叫外部引擎，并且在内部搜索中，该模型直接生成了潜在的潜在期货的线性化树，并产生了最终选择。两者都建立在相关领域知识上预先训练的语言模型上，从而捕获这些游戏中的过渡和价值功能。我们发现，我们的预训练方法可以最大程度地减少幻觉，因为我们的模型在国家预测和法律行动方面非常准确。此外，内部和外部搜索确实改善了针对最先进的机器人的胜利率，甚至在国际象棋中达到了大师级的表现，同时按类似的举动计数搜索预算与人类大师的搜索预算相似。我们将搜索与域知识相结合的方式并非特定于棋盘游戏，这表明将直接扩展为更通用的语言模型推论和培训技术。
设计合作：开发能源素养视频游戏
来自科学、工程、教育、创业和设计 (SEE(E)D) 背景的大学生、教师和工作人员开发了一款视频游戏，以利用外展工作向弱势学生推广可持续性、科学、技术、工程和数学 ((S)STEM)。这是通过协作设计流程改造棋盘游戏来实现的 — — 该棋盘游戏之前已开发并用于向小学生传授复杂且常常被误解的能源和可持续性问题。将有形的棋盘游戏带入数字领域的过程需要进行大量的设计和教学调整，以保持学生的学习成果和内容传递。科学家、教育工作者和设计师共同加强了游戏的图形和教学方面，最终扩大和深化小学生的能源素养。该设计案例旨在阐明 SEE(E)D 教职员工、研究人员以及学生所使用的多学科协作设计过程，将棋盘游戏重新设计成更易于部署和传播的教学视频游戏，以造福 K-12 学生和教师。
人类棋盘格和导航图像中单次试验表面脑电图和源的黎曼分类
自从发现 [1,2] 以来，EEG 已越来越多地应用于基础研究、临床研究和工业研究。针对每个领域，都陆续开发出了特定的工具。这些工具包括：(i) 利用微电极进行脑内记录 [3,4]，该方法可以识别 EEG 信号的神经元来源，并更好地理解 EEG 活动的生理机制；(ii) 大平均法，包括由重复事件 (视觉、听觉、体感……) 触发的一系列试验的平均值 [5]，该方法开启了诱发相关电位 (ERP) 领域的研究，最近包括 EEG 源发生器 [8–10] 在内的 EEG 动力学工具 [6,7] 丰富了这一研究领域； (iii) 将 EEG 用于神经反馈和脑机接口 (BCI) [ 11 , 12 ]。过去，这些领域及其相关工具是分开发展的，但计算资源和实验数据的日益普及推动了横向方法和方法论桥梁的发展。视觉诱发电位 (VEP) 是一种特殊的 ERP，从枕叶皮质记录的 EEG 信号中提取，可由不同类型的视觉刺激触发，从简单（如棋盘格）[ 13 ，第 14 页，15 ] 到更复杂的视觉刺激（如人脸、3D 或运动图像）[ 14 , 16 – 20 ]。VEP 是通过计算大量正在进行的 EEG 信号试验的总平均值获得的（见公式 1），从而产生精心设计且易于识别的电位，随后可用于更好地理解视觉输入的连续处理阶段。然而，这些诱发反应来自至少两种不同的机制，分别源自加法模型或振荡模型 [8, 21 – 24]。对于加法模型，诱发反应来自对感觉输入的自下而上的连续处理。这会产生特定序列的单相诱发成分峰，这些峰最初嵌入自发 EEG 背景中。后者 EEG 活动被视为噪声，并通过随后的平均排除。对于振荡模型，诱发电位可能是由于特定频带内正在进行的 EEG 节律的相位锁定所致。这种 EEG 相位重组可以通过试验间一致性 (ITC) 来测量，作为对外部刺激的反应。从根本上讲，只有当相关 EEG 功率没有同时变化（增加或减少）时，这种测量才有意义。在这种情况下，我们处于纯相位锁定状态，诱发反应仅归因于正在进行的 EEG 振荡的重组。例如，体感诱发电位的 N30 分量就是这种情况，其中 70% 的幅度归因于纯相位锁定 [ 25 ]。事实上，在大多数 ERP 研究中，会出现混合情况（功率变化和相位锁定），这使得基础和临床解释变得困难。另一个缺点是，在大多数诱发电位研究中，对一组受试者进行的是总体平均值。虽然总体平均值方法可以得到适当的统计数据[26]和关于基本或临床结果的实际结论，但它掩盖了从临床角度来看可能至关重要的个体特性。当诊断工具基于总体平均值诱发电位[27]时，这个问题尤其重要。同样，对总体平均值数据应用逆建模[10,28]可以非常有效地识别ERP发生器[19,29-31]，但不利于确定个体特征。面对这些缺点，