GAVEL: Generating Games Via Evolution and Language Models

📄 arXiv: 2407.09388v2 📥 PDF

作者: Graham Todd, Alexander Padula, Matthew Stephenson, Éric Piette, Dennis J. N. J. Soemers, Julian Togelius

分类: cs.AI

发布日期: 2024-07-12 (更新: 2024-12-03)

备注: 10 pages, 4 figures, 7 pages appendices

💡 一句话要点

GAVEL：利用进化算法和语言模型生成新颖棋盘游戏

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自动游戏生成 进化算法 语言模型 Ludii 游戏设计

📋 核心要点

  1. 现有自动游戏生成方法依赖于受限的规则表示和领域启发式，难以探索广阔的游戏设计空间。
  2. GAVEL利用大型语言模型和进化计算，通过智能突变和重组代码化的游戏规则来生成新游戏。
  3. 实验表明，GAVEL能够生成新颖且有趣的游戏，甚至探索Ludii数据集中未覆盖的规则空间。

📝 摘要（中文）

自动生成新颖且有趣的游戏是一项复杂的任务，挑战包括以计算可行的形式表示游戏规则，在大多数此类表示下搜索潜在游戏的大空间，以及准确评估先前未见过的游戏的原创性和质量。以往的自动游戏生成工作主要集中在相对受限的规则表示上，并依赖于特定领域的启发式方法。本文探索在相对广泛的Ludii游戏描述语言中生成新颖游戏，该语言编码了1000多种不同风格和游戏模式的棋盘游戏规则。我们从大型语言模型和进化计算的最新进展中汲取灵感，训练一个模型，智能地突变和重组以代码形式表达的游戏和机制。我们通过定量和定性地证明，我们的方法能够生成新的和有趣的游戏，包括在潜在规则空间中Ludii数据集中现有游戏未覆盖的区域。生成的游戏样本可以通过Ludii门户网站在线玩。

🔬 方法详解

问题定义：论文旨在解决自动生成新颖且有趣的游戏的问题。现有方法主要集中在相对受限的规则表示上，并依赖于特定领域的启发式方法，难以在广阔的游戏规则空间中进行有效搜索和评估。这限制了生成游戏的创新性和多样性。

核心思路：论文的核心思路是结合大型语言模型和进化计算，将游戏规则表示为代码，并利用语言模型学习游戏规则的潜在结构和关系。然后，通过进化算法对游戏规则进行突变和重组，生成新的游戏。这种方法能够更有效地探索游戏规则空间，并生成具有创新性的游戏。

技术框架：GAVEL的整体框架包含以下几个主要模块：1) 游戏规则表示：使用Ludii游戏描述语言将游戏规则编码为代码。2) 语言模型训练：使用Ludii数据集训练一个语言模型，学习游戏规则的潜在结构和关系。3) 进化算法：使用进化算法对游戏规则进行突变和重组，生成新的游戏。4) 游戏评估：使用启发式方法和人工评估相结合的方式，评估生成游戏的质量和创新性。

关键创新：GAVEL的关键创新在于结合了大型语言模型和进化计算来自动生成游戏。与传统方法相比，GAVEL能够更有效地探索游戏规则空间，并生成具有创新性的游戏。此外，GAVEL使用Ludii游戏描述语言，能够表示更广泛的游戏类型和规则。

关键设计：GAVEL的关键设计包括：1) 使用Transformer架构的语言模型，学习游戏规则的潜在结构和关系。2) 使用遗传算法作为进化算法，对游戏规则进行突变和重组。3) 使用多种突变算子，包括规则添加、删除和修改等。4) 使用启发式方法和人工评估相结合的方式，评估生成游戏的质量和创新性。具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

GAVEL能够生成在Ludii数据集中现有游戏未覆盖的规则空间中的新颖游戏。通过定量和定性评估，证明了GAVEL生成游戏的质量和创新性。生成的游戏样本已通过Ludii门户网站在线提供，供用户体验和评估。具体的性能数据和对比基线未知。

🎯 应用场景

GAVEL可应用于游戏设计、教育和娱乐等领域。它可以帮助游戏设计师快速生成原型，探索新的游戏机制和规则。在教育领域，GAVEL可以用于生成定制化的游戏，以提高学生的学习兴趣和效果。此外，GAVEL还可以用于生成各种类型的游戏，满足不同用户的娱乐需求。

📄 摘要（原文）

Automatically generating novel and interesting games is a complex task. Challenges include representing game rules in a computationally workable form, searching through the large space of potential games under most such representations, and accurately evaluating the originality and quality of previously unseen games. Prior work in automated game generation has largely focused on relatively restricted rule representations and relied on domain-specific heuristics. In this work, we explore the generation of novel games in the comparatively expansive Ludii game description language, which encodes the rules of over 1000 board games in a variety of styles and modes of play. We draw inspiration from recent advances in large language models and evolutionary computation in order to train a model that intelligently mutates and recombines games and mechanics expressed as code. We demonstrate both quantitatively and qualitatively that our approach is capable of generating new and interesting games, including in regions of the potential rules space not covered by existing games in the Ludii dataset. A sample of the generated games are available to play online through the Ludii portal.