Bei Untersuchungen in den 1970er Jahren wurde fest gestellt, dass der Unterschied zwischen guten und schlechten Schachspielern überwiegend nicht in der Rechenfähigkeit liegt, sondern darin, wie gut Strukturen und Muster erkannt werden. In einem interessanten Experiment wurden Personen Positionen auf dem Schachbrett für 5 Sekunden gezeigt, um diese anschließend rekonstruieren zu lassen. Dabei hat sich gezeigt, dass Schachgroßmeister hier deutlich besser als “normale” Menschen sind. Verwendet man aber für das Experiment keine Positionen, die in realen Schachpartien entstanden sind, sondern zufällige Konstellationen der Figuren am Brett, dann verschindet dieser Unterschied in den Experimenten.
Ich habe in einem Artikel untersucht, ob dieses unterschiedliche Verhalten hinsichtlich realer und zufälliger Schach-Positionen, auch bei künstlichen neuronalen Netzen zu finden ist. Dabei wurden die Positionen mit sogenannten “Autoencodern” in komprimierter Darstellung gespeichert, und anschließend rekonstruiert. Es wurde die durchschnittliche Fehler-Anzahl gemessen, die das Netz bei realen und zufälligen Positionen macht.
Ist es für ein derartiges System, ebenso wie für Menschen, schwieriger sich zufällige Positionen zu merken und zu rekonstruieren?
Unter https://medium.com/@andreasstckl/reconstructing-chess-positions-f195fd5944e findet sich der Artikel dieser Untersuchungen.
Die Ergebnisse zeigen ein ähnliches Verhalten, wie bei den Experimenten mit Menschen.
