Estructura latente en posiciones de ajedrez
Palabras clave:
ajedrez, autoencoders, interpretabilidad, teoría de juegosResumen
En este trabajo entrenamos autoencoders para entender representaciones latentes de posiciones de ajedrez. Utilizamos una base de datos de partidas de Lichess filtradas por nivel de juego y control de tiempo, y representamos cada posición como un tensor de múltiples canales. Entrenamos un autoencoder para reconstruir dichas posiciones y posteriormente analizamos el espacio latente mediante Análisis de Componentes Principales (PCA). Nuestros resultados muestran que las primeras componentes capturan información relevante del juego, tales como el enroque y las características de la apertura. Realizamos también un experimento basado en simetrías del tablero que sugiere que el modelo no memoriza posiciones de forma trivial. Estos hallazgos indican que los autoencoders pueden capturar estructuras significativas en el ajedrez y ofrecen una ventana interpretable al conocimiento del juego.
Descargas
Referencias
Baldi, P., & Hornik, K. (1989). Neural networks and principal component analysis: Learning from examples without local minima. Neural networks, 2 (1), 53–58.
Chole, V., Gote, N., Ujwane, S., Hedaoo, P., & Umare, A. (2021). Design and development of game playingsystem in chess using machine learning. International Research Journal of Engineering and Technology, 8.
Garbulsky, J. (2025). Ajedrezzinni latentinni: Autoencoders para interpretar el espacio latente del ajedrez [Last accessed 2026/06/26]. https://lcd.exactas.uba.ar/ajedrezzinni-latentinni-autoencoders-para-interpretarel-espacio-latente-del-ajedrez/
Huben, R., Cunningham, H., Smith, L., Ewart, A., & Sharkey, L. (2024). Sparse autoencoders find highly interpretable features in language models. International Conference on Learning Representations, 2024, 7827–7845.
Huh, M., Cheung, B., Wang, T., & Isola, P. (2024). The platonic representation hypothesis. arXiv preprint arXiv:2405.07987.
Kapicioglu, B., Iqbal, R., Koc, T., Andre, L. N., & Volz, K. S. (2020). Chess2vec: Learning vector representations for chess. arXiv preprint arXiv:2011.01014.
Lichess. (2026). Lichess.org [Last accessed 2026/06/26]. https://lichess.org
Magri, L., & Doan, A. K. (2022). On interpretability and proper latent decomposition of autoencoders. arXiv preprint arXiv:2211.08345.
Newborn, M. (2011). Beyond deep blue: Chess in the stratosphere. Springer Science & Business Media.
Omori, M., & Tadepalli, P. (2024). Chess rating estimation from moves and clock times using a cnn-lstm. International Conference on Computers and Games, 3–13.
Shannon, C. E. (1950). Xxii. programming a computer for playing chess. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 41 (314), 256–275.
Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., Lanctot, M., Sifre, L., Kumaran, D., Graepel, T., et al. (2018). A general reinforcement learning algorithm that masters chess, shogi, and go through self-play. Science, 362 (6419), 1140–1144.
Tijhuis, T., Blom, P. M., & Spronck, P. (2023). Predicting chess player rating based on a single game. 2023 IEEE Conference on Games (CoG), 1–8
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Julián Garbulsky, Juan Pablo Pinasco
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
