KR20210008759A

KR20210008759A - Method and device for providing deep-running-based baduk game service

Info

Publication number: KR20210008759A
Application number: KR1020190085344A
Authority: KR
Inventors: 이준엽; 박근한; 박정훈
Original assignee: 엔에이치엔 주식회사
Priority date: 2019-07-15
Filing date: 2019-07-15
Publication date: 2021-01-25
Also published as: KR102299141B1

Abstract

According to an embodiment of the present invention, a deep learning-based Go game service providing method and a device thereof are provided. The device comprises: a communication unit for receiving a plurality of game records; a storage unit for storing a situation determination model and a placement utility determination unit; and a processor which reads the situation determination model to learn the situation determination model, determines a situation of a checkerboard, to which a previously placed stone checker is applied, by using the learned situation determination model, and generates placement utility determination information which is information obtained by determining, by the placement utility determination unit, whether a stone checker is placed for the previously placed stone checker based on the determined situation. The placement utility determination unit is a situation determination model server which calculates at least one of a player score and an opponent score according to the placement of the stone checker for the previously placed stone checker, and generates the placement utility determination information by determining whether the stone checker is placed based on the calculated score.

Description

Deep learning-based Go game service provision method and device {METHOD AND DEVICE FOR PROVIDING DEEP-RUNNING-BASED BADUK GAME SERVICE}

본 발명은 딥러닝을 기반으로 바둑 게임 서비스를 제공하는 방법 및 장치에 관한 것이다. 보다 상세하게는, 딥러닝 신경망에 기초하여 바둑 형세를 판단해 의미 없는 착수를 회피하는 바둑 게임 서비스 제공 방법 및 장치에 관한 것이다. The present invention relates to a method and apparatus for providing a Go game service based on deep learning. In more detail, the present invention relates to a method and apparatus for providing a Go game service that determines the situation of Go based on a deep learning neural network to avoid meaningless undertaking.

스마트폰, 태블릿 PC, PDA(Personal Digital Assistant), 노트북 등과 같은 사용자 단말의 이용이 대중화되고 정보 처리 기술이 발달함에 따라 사용자 단말을 이용하여 보드 게임의 일종인 바둑을 할 수 있게 되었고 나아가 사람이 아닌 프로그램된 인공지능 컴퓨터와 바둑 대국을 할 수 있게 되었다. As the use of user terminals such as smartphones, tablet PCs, PDAs (Personal Digital Assistant), notebooks, etc. became popular and information processing technology developed, it became possible to play Go, a kind of board game, using user terminals. It became possible to play a game of Go with a programmed artificial intelligence computer.

바둑은 다른 보드게임인 체스나 장기와 비교하였을 때 경우의 수가 많아서 인공지능 컴퓨터가 사람 수준으로 대국을 하는데 한계가 있었고 인공지능 컴퓨터의 기력을 높이기 위한 연구가 활발하게 진행되고 있는 추세이다. 최근 개발자들은 인공지능 컴퓨터에 몬테 카를로 트리 서치(Monte Carlo Tree Search; MCTS) 알고리즘과 딥러닝 기술을 적용하여 인공지능 컴퓨터의 기력을 프로기사들의 수준 이상으로 올렸다.When compared to other board games such as chess or shogi, there are a lot of cases in Baduk, so there is a limit to the ability of artificial intelligence computers to play at the level of humans, and research is being actively conducted to increase the energy of artificial intelligence computers. Recently, developers have applied the Monte Carlo Tree Search (MCTS) algorithm and deep learning technology to artificial intelligence computers to raise the energy of artificial intelligence computers to the level of professional engineers.

이때, 인공지능 컴퓨터의 기력을 보다 향상시키는데 있어서 바둑 대국 진행 과정에서의 의미 없는 수 즉, 가일수가 아닌 수를 회피하는 것은 게임 전략을 세우는데 있어 매우 중요한 요소이다. 그리하여 기존의 바둑 AI 프로그램은, 의미 없는 수를 회피하기 위해 룰 베이스 규칙을 기반으로 동작하였으나, 이는 모든 바둑의 수에 일반적으로 적용하기에 어려움이 있어 오판(誤判)의 가능성이 높다는 문제가 있다. At this time, avoiding meaningless numbers, that is, numbers other than Gail numbers, in the process of progressing the Go game in improving the energy of artificial intelligence computers is a very important factor in establishing a game strategy. Thus, the existing Go AI program operated based on the rule base rule to avoid meaningless numbers, but this is difficult to apply to all Go numbers in general, so there is a problem that there is a high possibility of misjudgement (誤判).

또한, 최근의 바둑 AI 프로그램은 딥러닝에 기초하여 최선의 수를 두도록 학습되지만, 특정 수에 대한 학습이 부족하거나 특정 룰(예컨대, 중국룰)에 대해서 학습한 모델을 다른 룰(예컨대, 한국룰)에 적용할 경우, 의미 없는 수를 둘 가능성이 높다는 문제가 있다. In addition, the latest Go AI program is trained to put the best number based on deep learning, but learning for a specific number is insufficient or a model learned for a specific rule (e.g., Chinese rule) is converted to another rule (e.g., Korean rule). If applied to ), there is a problem that there is a high possibility of making meaningless numbers.

특허문헌 1: 공개특허공보 제10-2015-0129265호Patent Document 1: Unexamined Patent Publication No. 10-2015-0129265

본 발명은 전술한 문제점을 해결하기 위하여 안출된 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치에 관한 것이다. 보다 상세하게는, 딥러닝 신경망에 기초하여 바둑 형세를 판단해 의미 없는 착수를 회피하는 바둑 게임 서비스 제공 방법 및 장치를 제안하고자 한다. The present invention relates to a method and apparatus for providing a deep learning-based Go game service devised to solve the above-described problem. In more detail, it is intended to propose a method and apparatus for providing a Go game service that determines the situation of Go based on a deep learning neural network to avoid meaningless undertaking.

자세히, 본 발명은 바둑 규칙에 따른 집, 사석, 돌, 공배, 빅의 예측을 기반으로 정확한 바둑의 형세를 판단하여 공배가 없는 상황에서의 의미 없는 착수를 회피하는 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치를 그 목적으로 한다. In detail, the present invention provides a deep learning-based Go game service that avoids meaningless start in a situation where there is no complication by determining the exact situation of Go based on predictions of houses, sandstones, stones, gongbae, and big according to Go rules. The method and apparatus are for that purpose.

다만, 본 발명 및 본 발명의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다. However, the technical problems to be achieved by the present invention and the embodiments of the present invention are not limited to the technical problems as described above, and other technical problems may exist.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 복수의 기보 및 선결 착수점을 수신하는 통신부; 형세 판단 모델 및 착수효용 판단부를 저장하는 저장부; 및 상기 형세 판단 모델을 독출하여 상기 형세 판단 모델의 학습을 수행하고 상기 학습된 형세 판단 모델을 이용하여 상기 선결 착수점이 적용된 바둑판의 형세를 판단하며, 상기 착수효용 판단부가 상기 판단된 형세를 기반으로 상기 선결 착수점에 대한 가일수 여부를 판단한 정보인 착수효용 판단정보를 생성하는 프로세서;를 포함하고, 상기 착수효용 판단부는, 상기 선결 착수점에 대한 바둑돌 착수에 따른 플레이어 점수 및 오포넌트 점수 중 적어도 하나를 산출하고, 상기 산출된 점수를 기반으로 상기 가일수 여부를 판단하여 상기 착수효용 판단정보를 생성한다. A method and apparatus for providing a deep learning-based Go game service according to an embodiment of the present invention includes: a communication unit for receiving a plurality of notations and preliminary starting points; A storage unit for storing a situation determination model and an undertaking utility determination unit; And reading the situation determination model to perform learning of the situation determination model, and using the learned situation determination model to determine the configuration of the board to which the preemptive starting point is applied, and the launch utility determination unit based on the determined situation. Including, a processor for generating embarkation utility determination information, which is information for determining whether or not the number of days for the first starting point, the starting utility determination unit, at least one of a player score and an oponant score according to the start of the game for the first starting point One is calculated, and based on the calculated score, it is determined whether or not the number of days is temporary to generate the starting utility determination information.

이때, 상기 형세 판단 모델은, 입력된 바둑판 상태에서 입력 특징을 추출하는 입력 특징 추출부; 및 상기 추출된 입력 특징을 기초하여 상기 입력된 바둑판 상태의 교차점에 대한 형세값을 생성하는 형세 판단 신경망;을 포함하고, 상기 형세 판단 모델은, 상기 형세값에 기초하여 공배 유무에 대한 형세 판단 정보를 생성한다. In this case, the status determination model may include: an input feature extraction unit for extracting an input feature from the input checkerboard state; And a situation determination neural network for generating a position determination neural network for generating a position value for the intersection of the input checkerboard state based on the extracted input feature, wherein the position determination model includes position determination information on the presence or absence of a common occurrence based on the position value. Create

또한, 상기 착수효용 판단부는, 상기 형세 판단 정보에 공배가 없다면 상기 가일수 여부를 판단하고, 상기 착수효용 판단부는, 상기 선결 착수점에 플레이어 바둑돌이 착수된 경우 플레이어 집 수가 증가하거나 오포넌트 집 수가 감소한 경우, +1의 가산을 수행하고, 상기 플레이어 집 수가 감소하거나 오포넌트 집 수가 증가한 경우, -1의 감산을 수행하여 플레이어 점수값을 산출하고, 상기 선결 착수점에 오포넌트 바둑돌이 착수된 경우 오포넌트 집 수가 증가하거나 플레이어 집 수가 감소한 경우, +1의 가산을 수행하고, 상기 오포넌트 집 수가 감소하거나 플레이어 집 수가 증가한 경우, -1의 감산을 수행하여 오포넌트 점수값을 산출하고, 상기 산출된 플레이어 점수값과 오포넌트 점수값을 합산하여 가일수 수치를 산출하고, 상기 산출된 가일수 수치를 소정의 임계치보다 큰 경우 상기 가일수로 판단한다. In addition, if there is no communion in the situation determination information, the embarkation utility determination unit determines whether or not the number of days is false, and the embarkation utility determination unit increases the number of player houses or the number of oponent houses when the player's go is started at the first starting point. If it decreases, an addition of +1 is performed, and when the number of player houses decreases or the number of offense houses increases, a subtraction of -1 is performed to calculate a player score value, and when an offense go stone is started at the first starting point When the number of offense houses increases or the number of player houses decreases, an addition of +1 is performed, and when the number of offense houses decreases or the number of player houses increases, a subtraction of -1 is performed to calculate an offense score value, and the above calculation The calculated player score value and the oponant score value are summed to calculate the false days value, and when the calculated false days value is greater than a predetermined threshold, it is determined as the false days.

한편, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 복수의 기보 및 착수효용 판단정보를 수신하는 통신부; 착수 모델을 저장하는 저장부; 및 상기 착수 모델을 독출하여 상기 착수 모델의 학습을 수행하고 상기 학습된 착수 모델을 이용하여 바둑판 상태에 기반한 선결 착수점을 생성하는 프로세서;를 포함하고, 상기 착수 모델은, 몬테 카를로 트리 서치(Monte Carlo Tree Search; MCTS)를 기반으로 상기 선결 착수점을 제공하는 탐색부; 와, 상기 탐색부를 가이드하는 착수 신경망; 및 상기 착수효용 판단정보를 입력 데이터로 획득하는 착수 결정부;를 포함하고, 상기 착수효용 판단정보를 기반으로 상기 착수 모델이 상기 선결 착수점에 대한 착수를 수행 또는 패스(pass)하거나, 상기 착수 모델을 이용하여 후행 선결 착수점을 도출하도록 제어한다. On the other hand, the deep learning-based Go game service providing method and apparatus according to an embodiment of the present invention, the communication unit for receiving a plurality of notation and initiation utility determination information; A storage unit for storing the starting model; And a processor that reads the initiation model, performs training of the initiation model, and generates a pre-determined starting point based on a checkerboard state by using the learned initiation model, wherein the starting model is a Monte Carlo tree search (Monte A search unit that provides the pre-determined starting point based on the Carlo Tree Search (MCTS); And, an initiation neural network guiding the search unit; And an initiation determination unit that obtains the initiation utility determination information as input data, wherein the initiation model performs or passes the initiation for the first determination initiation point based on the initiation utility determination information, or the initiation The model is used to control to derive the starting point for the following.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 통신부, 형세 판단 모델 및 착수효용 판단부가 저장된 저장부, 상기 형세 판단 모델 및 상기 착수효용 판단부를 구동하는 프로세서를 포함하는 형세판단 모델 서버에 의해 바둑판 상태의 형세를 판단하여 의미 없는 착수를 회피하는 딥러닝 기반의 바둑 게임 서비스 방법에 있어서, 상기 통신부가 선결 착수점 정보를 획득하는 단계; 상기 형세 판단 모델이 바둑판 상태의 공배유무를 판단하는 단계; 상기 착수효용 판단부가 상기 판단된 공배유무를 기초로 상기 선결 착수점의 가일수 여부를 판단하여 착수효용 판단정보를 생성하는 단계; 및 상기 착수효용 판단정보는, 상기 선결 착수점이 유의미한 수인 가일수인지를 상기 판단된 형세에 기초하여 판별한 정보이다. In addition, a deep learning-based Go game service providing method and apparatus according to an embodiment of the present invention includes a storage unit in which a communication unit, a situation determination model and a launch utility determination unit are stored, a processor that drives the situation determination model and the launch utility determination unit. A deep learning-based Go game service method for avoiding a meaningless start by determining the status of a checkerboard state by a status judgment model server comprising: the communication unit obtaining information on a first decision starting point; Determining whether or not the situation determination model is common in a checkerboard state; Generating, by the embarkation utility determination unit, whether or not the pre-determined embarkation point is the number of days on the basis of the determined common distribution or not; And the starting utility determination information is information determined based on the determined situation as to whether the pre-determined starting point is a meaningful number.

이때, 상기 선결 착수점의 가일수 여부를 판단하여 착수효용 판단정보를 생성하는 단계는, 상기 선결 착수점에 대한 바둑돌 착수에 따른 플레이어 점수 및 오포넌트 점수 중 적어도 하나를 산출하고, 상기 산출된 점수를 기반으로 상기 가일수 여부를 판단하여 상기 착수효용 판단정보를 생성하는 단계를 포함한다. In this case, the step of determining whether or not the number of days of the first starting point and generating embarkation utility determination information includes calculating at least one of a player score and an oponant score according to the start of the game for the first starting point, and the calculated score And generating the starting utility determination information by determining whether the number of days is temporary or not.

또한, 상기 착수효용 판단부는, 상기 선결 착수점에 플레이어 바둑돌이 착수된 경우 플레이어 집 수가 증가하거나 오포넌트 집 수가 감소한 경우, +1의 가산을 수행하고, 상기 플레이어 집 수가 감소하거나 오포넌트 집 수가 증가한 경우, -1의 감산을 수행하여 플레이어 점수값을 산출하고, 상기 선결 착수점에 오포넌트 바둑돌이 착수된 경우 오포넌트 집 수가 증가하거나 플레이어 집 수가 감소한 경우, +1의 가산을 수행하고, 상기 오포넌트 집 수가 감소하거나 플레이어 집 수가 증가한 경우, -1의 감산을 수행하여 오포넌트 점수값을 산출하고, 상기 산출된 플레이어 점수값과 오포넌트 점수값을 합산하여 가일수 수치를 산출하고, 상기 산출된 가일수 수치를 소정의 임계치보다 큰 경우 상기 가일수로 판단한다. In addition, the starting utility determining unit performs an addition of +1 when the player's number of houses increases or the number of oponant houses decreases when the player's go stone is started at the first starting point, and the number of player houses decreases or the number of oponant houses increases. In this case, a subtraction of -1 is performed to calculate the player score value, and when an offense go stone is started at the preliminary starting point, an addition of +1 is performed, and when the number of player houses increases or the number of player houses decreases. When the number of fornant houses decreases or the number of player houses increases, a subtraction of -1 is performed to calculate an oponant score value, the calculated player score value and the oponant score value are summed to calculate an additional number of days, and the calculated If the number of false days is greater than a predetermined threshold, it is determined as the number of false days.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 바둑 규칙에 따른 집, 사석, 돌, 공배, 빅을 정확히 구분하여 바둑의 형세를 예측함으로써, 바둑의 형세 및 해당 바둑 형세에서의 최선의 수를 정확히 판단할 수 있다. The method and apparatus for providing a deep learning-based Go game service according to an embodiment of the present invention accurately classifies houses, sandstones, stones, gongbae, and big according to the Go rule to predict the status of Go, thereby predicting the status of Go and the corresponding Go game. You can accurately judge the best numbers in the situation.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 정확한 바둑의 형세를 판단하여 공배가 없는 상황에서의 의미 없는 착수를 회피함으로써, 바둑 게임 플레이 시의 착수 기력을 향상시킬 수 있다. In addition, the method and apparatus for providing a deep learning-based Go game service according to an embodiment of the present invention determine the exact situation of Go and avoid meaningless start in a situation where there is no communion, thereby reducing the starting energy when playing the Go game. Can be improved.

또한, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 형세 판단을 통해 의미 없는 착수를 회피하여 바둑 게임 플레이 기력을 향상시킴으로써 바둑 대국에서의 승률을 증대시킬 수 있다. In addition, the method and apparatus for providing a deep learning-based Go game service according to an embodiment of the present invention can increase the win rate in a Go game by improving the player's ability to play the Go game by avoiding a meaningless start through judgment of the situation.

다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 명확하게 이해될 수 있다. However, the effects obtainable in the present invention are not limited to the above-mentioned effects, and other effects not mentioned may be clearly understood from the following description.

도 1은 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 시스템에 대한 예시도이다.
도 2는 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스에서 인공지능 컴퓨터의 착수를 위한 착수 모델 서버의 착수 모델 구조를 설명하기 위한 도면이다.
도 3은 착수 모델의 정책에 따른 착수점에 대한 이동 확률 분포를 설명하기 위한 도면이다.
도 4는 착수 모델의 착수점에 대한 가치값과 방문 횟수를 설명하기 위한 도면이다.
도 5는 착수 모델이 탐색부의 파이프 라인에 따라 착수하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스의 형세 판단 기능을 제공하는 화면을 보여 주는 예시도이다.
도 7은 본 발명의 형세판단 모델 서버의 형세 판단 모델 구조를 설명하기 위한 도면이다.
도 8은 본 발명의 형세 판단 모델의 복수의 블록으로 이루어진 신경망 구조 중 하나의 블록을 설명하기 위한 도면이다.
도 9는 본 발명의 형세 판단 모델을 학습하기 위해 사용되는 정답 레이블을 생성하기 위한 제1 및 제2 전처리 단계를 설명하기 위한 도면이다.
도 10은 본 발명의 형세 판단 모델을 학습하기 위해 사용되는 정답 레이블을 생성하기 위한 제1 및 제2 전처리 단계를 설명하기 위한 도면이다.
도 11은 본 발명의 형세 판단 모델을 학습하기 위해 사용되는 정답 레이블을 생성하기 위한 제3 전처리 단계를 설명하기 위한 도면이다.
도 12는 본 발명의 형세 판단 모델의 형세 판단 결과를 설명하기 위한 도면이다.
도 13은 본 발명의 형세 판단 모델의 형세 판단 결과와 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 결과를 비교한 모습이다.
도 14는 본 발명의 형세 판단 모델의 형세 판단 결과와 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 결과를 비교한 모습이다.
도 15는 본 발명의 형세 판단 모델의 형세 판단 결과와 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 결과를 비교한 모습이다.
도 16은 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 시스템에 신호 흐름에 대한 예시도이다.
도 17은 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법 중 형세 판단 방법이다.
도 18은 도 17의 형세 판단 방법 중 정답 레이블을 생성하기 위한 트레이닝 데이터의 전처리 방법이다.
도 19는 본 발명의 실시예에 따른 의미 없는 수의 일례를 나타내는 도면이다.
도 20은 본 발명의 형세판단 모델 서버의 착수효용 판단부 구조를 설명하기 위한 도면이다.
도 21은 본 발명의 실시예에 따른 형세판단 모델 서버가 딥러닝 신경망에 기초하여 바둑 형세를 판단해 의미 없는 착수를 회피하는 방법을 설명하기 위한 흐름도이다.
도 22는 본 발명의 실시예에 따른 형세판단 모델 서버가 가일수 여부를 기반으로 착수효용 판단정보를 생성하는 방법을 설명하기 위한 도면이다. 1 is an exemplary diagram for a deep learning-based Go game service system according to an embodiment of the present invention.
FIG. 2 is a diagram illustrating a structure of a launch model server for launching an artificial intelligence computer in a deep learning-based Go game service according to an embodiment of the present invention.
3 is a diagram for explaining a distribution of a movement probability for a starting point according to a policy of a starting model.
4 is a diagram for explaining the value of the starting point and the number of visits of the starting model.
5 is a diagram for explaining a process in which the launch model starts according to the pipeline of the search unit.
6 is an exemplary view showing a screen providing a function of determining the status of a deep learning-based Go game service according to an embodiment of the present invention.
7 is a view for explaining the structure of the situation determination model of the situation determination model server of the present invention.
8 is a diagram for explaining one block of a neural network structure composed of a plurality of blocks of the situation determination model of the present invention.
9 is a view for explaining the first and second pre-processing steps for generating the correct answer label used to learn the situation determination model of the present invention.
10 is a diagram for explaining first and second pre-processing steps for generating a correct answer label used to learn a situation determination model of the present invention.
11 is a view for explaining a third pre-processing step for generating a correct answer label used to learn the situation determination model of the present invention.
12 is a view for explaining a situation determination result of the situation determination model of the present invention.
13 is a view comparing the situation determination result of the situation determination model of the present invention and the situation determination result using a deep learning model according to the prior art.
14 is a view comparing the situation determination result of the situation determination model of the present invention and the situation determination result by a deep learning model according to the prior art.
15 is a view comparing the situation determination result of the situation determination model of the present invention and the situation determination result by a deep learning model according to the prior art.
16 is an exemplary diagram of a signal flow in a deep learning-based Go game service system according to an embodiment of the present invention.
17 is a method for determining a situation among a deep learning-based Go game service method according to an embodiment of the present invention.
18 is a method of preprocessing training data for generating a correct answer label among the method of determining the situation of FIG. 17.
19 is a diagram showing an example of meaningless numbers according to an embodiment of the present invention.
20 is a view for explaining the structure of the launch utility determination unit of the situation judgment model server of the present invention.
FIG. 21 is a flowchart illustrating a method in which a situation judgment model server according to an embodiment of the present invention determines a situation of Go based on a deep learning neural network to avoid meaningless undertaking.
22 is a view for explaining a method of generating initiation utility determination information based on whether or not the situation determination model server according to an embodiment of the present invention.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.Since the present invention can apply various transformations and have various embodiments, specific embodiments are illustrated in the drawings and will be described in detail in the detailed description. Effects and features of the present invention, and a method of achieving them will be apparent with reference to the embodiments described later in detail together with the drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various forms. In the following embodiments, terms such as first and second are not used in a limiting meaning, but are used for the purpose of distinguishing one component from another component. In addition, expressions in the singular include plural expressions unless the context clearly indicates otherwise. In addition, terms such as include or have means that the features or elements described in the specification are present, and do not preclude the possibility of adding one or more other features or elements in advance. In addition, in the drawings, the size of components may be exaggerated or reduced for convenience of description. For example, the size and thickness of each component shown in the drawings are arbitrarily shown for convenience of description, and the present invention is not necessarily limited to what is shown.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings, and when describing with reference to the drawings, the same or corresponding constituent elements are assigned the same reference numerals, and redundant descriptions thereof will be omitted. .

도 1은 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 시스템에 대한 예시도이다.1 is an exemplary diagram for a deep learning-based Go game service system according to an embodiment of the present invention.

도 1을 참조하면, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 시스템은, 단말기(100), 바둑서버(200), 착수 모델 서버(300), 형세판단 모델 서버(400) 및 네트워크(500)를 포함할 수 있다.Referring to FIG. 1, a deep learning-based Go game service system according to an embodiment includes a terminal 100, a Go server 200, a launch model server 300, a form judgment model server 400, and a network 500. It may include.

도 1의 각 구성요소는, 네트워크(500)를 통해 연결될 수 있다. 단말기(100), 바둑서버(200), 착수 모델 서버(300) 및 형세판단 모델 서버(400) 등과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다. Each component of FIG. 1 may be connected through a network 500. The terminal 100, the Go server 200, the start model server 300, the form judgment model server 400, and the like, refer to a connection structure in which information can be exchanged with each other.In one example of such a network, 3GPP (3rd Generation Partnership Project) network, Long Term Evolution (LTE) network, World Interoperability for Microwave Access (WIMAX) network, Internet, LAN (Local Area Network), Wireless LAN (Wireless Local Area Network), WAN (Wide Area Network), Personal Area Network (PAN), Bluetooth (Bluetooth) network, satellite broadcasting network, analog broadcasting network, Digital Multimedia Broadcasting (DMB) network, and the like, but are not limited thereto.

- 단말기 -Terminal

먼저, 단말기(100)는, 바둑 게임 서비스를 제공받고자 하는 유저의 단말기이다. 또한, 단말기(100)는 다양한 작업을 수행하는 애플리케이션들을 실행하기 위한 유저가 사용하는 하나 이상의 컴퓨터 또는 다른 전자 장치이다. 예컨대, 컴퓨터, 랩탑 컴퓨터, 스마트 폰, 모바일 전화기, PDA, 태블릿 PC, 혹은 바둑서버(200)와 통신하도록 동작 가능한 임의의 다른 디바이스를 포함한다. 다만 이에 한정되는 것은 아니고 단말기(100)는 다양한 머신들 상에서 실행되고, 다수의 메모리 내에 저장된 명령어들을 해석하여 실행하는 프로세싱 로직을 포함하고, 외부 입력/출력 디바이스 상에 그래픽 사용자 인터페이스(GUI)를 위한 그래픽 정보를 디스플레이하는 프로세스들과 같이 다양한 기타 요소들을 포함할 수 있다. 아울러 단말기(100)는 입력 장치(예를 들면 마우스, 키보드, 터치 감지 표면 등) 및 출력 장치(예를 들면 디스플레이장치, 모니터, 스크린 등)에 접속될 수 있다. 단말기(100)에 의해 실행되는 애플리케이션들은 게임 어플리케이션, 웹 브라우저, 웹 브라우저에서 동작하는 웹 애플리케이션, 워드 프로세서들, 미디어 플레이어들, 스프레드시트들, 이미지 프로세서들, 보안 소프트웨어 또는 그 밖의 것을 포함할 수 있다.First, the terminal 100 is a terminal of a user who wants to receive a Go game service. In addition, the terminal 100 is one or more computers or other electronic devices used by a user to execute applications that perform various tasks. For example, it includes a computer, laptop computer, smart phone, mobile phone, PDA, tablet PC, or any other device operable to communicate with the Go server 200. However, the present invention is not limited thereto, and the terminal 100 is executed on various machines and includes processing logic that interprets and executes instructions stored in a plurality of memories, and provides a graphic user interface (GUI) on an external input/output device. It may include a variety of other elements, such as processes for displaying graphical information. In addition, the terminal 100 may be connected to an input device (eg, a mouse, a keyboard, a touch-sensitive surface, etc.) and an output device (eg, a display device, a monitor, a screen, etc.). Applications executed by the terminal 100 may include a game application, a web browser, a web application operating in a web browser, word processors, media players, spreadsheets, image processors, security software, or the like. .

또한, 단말기(100)는 명령들을 저장하는 적어도 하나의 메모리(101), 적어도 하나의 프로세서(102) 및 통신부(103)를 포함할 수 있다. In addition, the terminal 100 may include at least one memory 101 storing instructions, at least one processor 102 and a communication unit 103.

단말기(100)의 메모리(101)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program) 또는 애플리케이션(application), 단말기(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 명령들은 프로세서(102)로 하여금 동작들을 수행하게 하기 위해 프로세서(102)에 의해 실행 가능하고, 동작들은 바둑 게임 실행 요청신호를 전송, 게임 데이터 송수신, 착수 정보 송수신, 형세 판단 요청신호를 전송, 형세 판단 결과 수신 및 각종 정보를 수신하는 동작들을 포함할 수 있다. 또한, 메모리(101)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있고, 메모리(130)는 인터넷(internet)상에서 상기 메모리(101)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다. The memory 101 of the terminal 100 may store a plurality of application programs or applications driven by the terminal 100, data for operation of the terminal 100, and commands. Commands can be executed by the processor 102 to cause the processor 102 to perform operations, and the operations transmit a request signal to execute a game of Go, transmit and receive game data, transmit and receive start information, and transmit a state determination request signal. Operations of receiving a determination result and receiving various types of information may be included. In addition, the memory 101 may be a variety of storage devices such as ROM, RAM, EPROM, flash drive, hard drive, etc. in hardware, and the memory 130 provides a storage function of the memory 101 on the Internet. It may be a web storage that performs.

단말기(100)의 프로세서(102)는 전반적인 동작을 제어하여 바둑 게임 서비스를 제공받기 위한 데이터 처리를 수행할 수 있다. 단말기(100)에서 바둑 게임 어플리케이션이 실행되면, 단말기(100)에서 바둑 게임 환경이 구성된다. 그리고 바둑 게임 어플리케이션은 네트워크(500)를 통해 바둑 서버(200)와 바둑 게임 데이터를 교환하여 단말기(100) 상에서 바둑 게임 서비스가 실행되도록 한다. 이러한 프로세서(102)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 임의의 형태의 프로세서일 수 있다.The processor 102 of the terminal 100 may perform data processing to receive a Go game service by controlling the overall operation. When the Go game application is executed in the terminal 100, the Go game environment is configured in the terminal 100. In addition, the Go game application exchanges Go game data with the Go server 200 through the network 500 so that the Go game service is executed on the terminal 100. These processors 102 include application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, and microcontrollers. Controllers (micro-controllers), microprocessors (microprocessors), may be any type of processor for performing other functions.

단말기(100)의 통신부(103)는, 하기 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등), WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access)에 따라 구축된 네트워크망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.The communication unit 103 of the terminal 100 includes the following communication methods (eg, Global System for Mobile communication (GSM)), Code Division Multi Access (CDMA), High Speed Downlink Packet Access (HSDPA), High Speed Uplink (HSUPA). Packet Access), LTE (Long Term Evolution), LTE-A (Long Term Evolution-Advanced), etc.), WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Wi-Fi (Wireless Fidelity) Direct, DLNA ( Digital Living Network Alliance), WiBro (Wireless Broadband), WiMAX (World Interoperability for Microwave Access), a wireless signal can be transmitted and received with at least one of a base station, an external terminal, and a server on a network.

- 바둑서버 -Go Server

바둑서버(200)가 제공하는 바둑 게임 서비스는 바둑서버(200)가 제공하는 가상의 컴퓨터 유저와 실제 유저가 함께 게임에 참여하는 형태로 구성될 수 있다. 이는 유저측 단말기(100) 상에서 구현되는 바둑 게임 환경에서 하나의 실제 유저와 하나의 컴퓨터 유저가 함께 게임을 플레이 한다. 다른 측면에서, 바둑서버(200)가 제공하는 바둑 게임 서비스는 복수의 유저측 디바이스가 참여하여 바둑 게임이 플레이되는 형태로 구성될 수도 있다.The Go game service provided by the Go server 200 may be configured in a form in which a virtual computer user and an actual user provided by the Go server 200 participate in the game together. This means that one real user and one computer user play the game together in a Go game environment implemented on the user's terminal 100. In another aspect, the Go game service provided by the Go server 200 may be configured in a form in which a plurality of user-side devices participate to play the Go game.

바둑서버(200)는 명령들을 저장하는 적어도 하나의 메모리(201), 적어도 하나의 프로세서(202) 및 통신부(203)를 포함할 수 있다. The Go server 200 may include at least one memory 201 for storing instructions, at least one processor 202 and a communication unit 203.

바둑서버(200)의 메모리(201)는 바둑서버(200)에서 구동되는 다수의 응용 프로그램(application program) 또는 애플리케이션(application), 바둑서버(200)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 명령들은 프로세서(202)로 하여금 동작들을 수행하게 하기 위해 프로세서(202)에 의해 실행 가능하고, 동작들은 게임 실행 요청 신호 수신, 게임 데이터 송수신, 착수 정보 송수신, 형세 판단 요청 신호 송수신, 형세 판단 결과 송수신 및 각종 전송 동작을 포함할 수 있다. 또한, 메모리(201)는 바둑서버(200)에서 대국을 하였던 복수의 기보 또는 기존에 공개된 복수의 기보를 저장할 수 있다. 복수의 기보 각각은 대국 시작의 첫 착수 정보인 제1 착수부터 대국이 종료되는 최종 착수까지의 정보를 모두 포함할 수 있다. 즉, 복수의 기보는 착수에 관한 히스토리 정보를 포함할 수 있다. 바둑서버(200)는 형세판단 모델 서버(400)의 트레이닝을 위하여 저장된 복수의 기보를 형세판단 모델 서버(400)에 제공할 수 있게 한다. 또한, 메모리(201)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있고, 메모리(201)는 인터넷(internet)상에서 상기 메모리(201)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.The memory 201 of the Go server 200 may store a plurality of application programs or applications running in the Go server 200, data for the operation of the Go server 200, and commands. . Instructions can be executed by the processor 202 to cause the processor 202 to perform operations, and the operations are game execution request signal reception, game data transmission/reception, launch information transmission/reception, situation determination request signal transmission/reception, situation determination result transmission/reception And various transmission operations. In addition, the memory 201 may store a plurality of notations played by the Go server 200 or a plurality of previously published notations. Each of the plurality of notations may include all information from the first start, which is information on the first start of the game, to the final start, at which the game ends. That is, the plurality of notations may include history information about the initiation. The Go server 200 makes it possible to provide a plurality of notations stored for training of the shape judgment model server 400 to the shape judgment model server 400. In addition, the memory 201 may be various storage devices such as ROM, RAM, EPROM, flash drive, hard drive, etc. in terms of hardware, and the memory 201 may perform a storage function of the memory 201 on the Internet. It may be a web storage that performs.

바둑서버(200)의 프로세서(202)는 전반적인 동작을 제어하여 바둑 게임 서비스를 제공하기 위한 데이터 처리를 수행할 수 있다. 이러한 프로세서(202)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 임의의 형태의 프로세서일 수 있다.The processor 202 of the Go server 200 may perform data processing to provide a Go game service by controlling the overall operation. These processors 202 include application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, and microcontrollers. Controllers (micro-controllers), microprocessors (microprocessors), may be any type of processor for performing other functions.

바둑서버(200)는 통신부(203)를 통해 네트워크(500)를 경유하여 단말기(100), 착수 모델 서버(300) 및 형세판단 모델 서버(400)와 통신을 수행할 수 있다.The Go server 200 may communicate with the terminal 100, the launch model server 300, and the form judgment model server 400 via the network 500 through the communication unit 203.

- 착수 모델 서버 -Launch model server

착수 모델 서버(300)는, 별도의 클라우드 서버나 컴퓨팅 장치를 포함할 수 있다. 또한, 착수 모델 서버(300)는 단말기(100)의 프로세서 또는 바둑서버(200)의 데이터 처리부에 설치된 신경망 시스템일 수 있지만, 이하에서 착수 모델 서버(300)는, 단말기(100) 또는 바둑 서버(200)와 별도의 장치로 설명한다.The launch model server 300 may include a separate cloud server or computing device. In addition, the launch model server 300 may be a neural network system installed in the processor of the terminal 100 or the data processing unit of the Go server 200, but hereinafter, the launch model server 300 is the terminal 100 or the Go server ( 200) and a separate device.

착수 모델 서버(300)는 명령들을 저장하는 적어도 하나의 메모리(301), 적어도 하나의 프로세서(302) 및 통신부(303)를 포함할 수 있다. The launch model server 300 may include at least one memory 301 for storing instructions, at least one processor 302 and a communication unit 303.

착수 모델 서버(300)는 바둑 규칙에 따라 스스로 학습하여 딥러닝 모델인 착수 모델을 구축하고 단말기(100)의 유저와 대국을 할 수 있는 인공지능 컴퓨터로서 자신의 턴에서 대국에서 이길 수 있도록 바둑돌의 착수를 수행할 수 있다. 착수 모델 서버(300)가 착수 모델로 트레이닝하는 자세한 설명은 도 2 내지 도 5의 착수 모델에 관한 설명을 따른다.The launching model server 300 is an artificial intelligence computer capable of building a deep learning model, a launching model by self-learning according to the Go rule, and playing a game with the user of the terminal 100, so that the player can win the game in their own turn. Initiation can be carried out. A detailed description of training in the initiation model server 300 with the initiation model follows the description of the initiation model in FIGS. 2 to 5.

착수 모델 서버(300)의 메모리(301)는 착수 모델 서버(300)에서 구동되는 다수의 응용 프로그램(application program) 또는 애플리케이션(application), 착수 모델 서버(300)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 명령들은 프로세서(302)로 하여금 동작들을 수행하게 하기 위해 프로세서(302)에 의해 실행 가능하고, 동작들은 착수 모델 학습(트레이닝) 동작, 착수 정보 송수신 및 각종 전송 동작을 포함할 수 있다. 또한, 메모리(301)는 딥러닝 모델인 착수 모델을 저장 할 수 있다. 또한, 메모리(301)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있고, 메모리(301)는 인터넷(internet)상에서 상기 메모리(301)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.The memory 301 of the initiation model server 300 includes a number of application programs or applications running in the initiation model server 300, data for the operation of the initiation model server 300, and instructions. Can be saved. The instructions are executable by the processor 302 to cause the processor 302 to perform the operations, and the operations may include an initiation model learning (training) operation, an initiation information transmission/reception, and various transmission operations. In addition, the memory 301 may store an initiation model that is a deep learning model. In addition, the memory 301 may be a variety of storage devices such as ROM, RAM, EPROM, flash drive, hard drive, etc. in hardware, and the memory 301 can perform a storage function of the memory 301 on the Internet. It may be a web storage that performs.

착수 모델 서버(300)의 프로세서(302)는 메모리(302)에 저장된 착수 모델을 독출하여, 구축된 신경망 시스템에 따라서 하기 기술하는 착수 모델 학습 및 바둑알 착수를 수행하게 된다. 실시예로, 착수 모델 서버(300)의 프로세서(302)는 특정 바둑판 상태(S)에서 최선의 수라고 판단되는 특정 착수점을 예측하여 선결 착수점을 도출할 수 있다. 또한, 프로세서(302)는 예측된 선결 착수점에 대한 착수 여부를 판단하여 착수를 수행할지 결정할 수 있다. 한편, 실시예에 따라서 프로세서(302)는, 전체 유닛들을 제어하는 메인 프로세서와, 착수 모델에 따라 신경망 구동시 필요한 대용량의 연산을 처리하는 복수의 그래픽 프로세서(Graphics Processing Unit, GPU)를 포함하도록 구성될 수 있다. The processor 302 of the initiation model server 300 reads out the initiation model stored in the memory 302, and performs training of the initiation model and initiation of the game according to the constructed neural network system. In an embodiment, the processor 302 of the starting model server 300 may predict a specific starting point determined to be the best number in a specific checkerboard state (S) to derive a first starting point. In addition, the processor 302 may determine whether to initiate the start by determining whether to start the predicted preliminary start point. Meanwhile, according to an embodiment, the processor 302 is configured to include a main processor that controls all units, and a plurality of graphics processing units (GPUs) that process large-capacity operations required when driving a neural network according to an initiation model. Can be.

착수 모델 서버(300)는 통신부(303)를 통해 네트워크(500)를 경유하여 바둑 서버(200)와 통신을 수행할 수 있다.The launch model server 300 may communicate with the Go server 200 through the network 500 through the communication unit 303.

- 형세판단 모델 서버 -Form judgment model server

형세판단 모델 서버(400)는, 별도의 클라우드 서버나 컴퓨팅 장치를 포함할 수 있다. 또한, 형세판단 모델 서버(400)는 단말기(100)의 프로세서 또는 바둑서버(200)의 데이터 처리부에 설치된 신경망 시스템일 수 있지만, 이하에서 형세판단 모델 서버(400)는, 단말기(100) 또는 바둑 서버(200)와 별도의 장치로 설명한다.The form judgment model server 400 may include a separate cloud server or computing device. In addition, the shape judgment model server 400 may be a neural network system installed in the processor of the terminal 100 or the data processing unit of the Go server 200, but hereinafter, the shape judgment model server 400 is the terminal 100 or the Go It will be described as a separate device from the server 200.

형세판단 모델 서버(400)는 명령들을 저장하는 적어도 하나의 메모리(401), 적어도 하나의 프로세서(402) 및 통신부(403)를 포함할 수 있다. The form judgment model server 400 may include at least one memory 401 storing instructions, at least one processor 402 and a communication unit 403.

형세판단 모델 서버(400)는 통신부(403)를 통하여 바둑서버(200)로부터 트레이닝 데이터 셋을 수신할 수 있다. 트레이닝 데이터 셋은 복수의 기보와 해당 복수의 기보에 대한 형세 판단 정보일 수 있다. 형세판단 모델 서버(400)는 수신한 트레이닝 데이터 셋을 이용하여 바둑알이 놓인 바둑판의 상태에 대한 형세를 판단할 수 있도록 지도학습하여 딥러닝 모델인 형세 판단 모델을 구축하고 단말기(100) 유저의 형세 판단 요청에 따라 형세 판단을 수행할 수 있다. 형세판단 모델 서버(400)가 형세 판단 모델로 트레이닝하는 자세한 설명은 도 6 내지 도 18의 형세 판단 모델에 관한 설명을 따른다.The form judgment model server 400 may receive a training data set from the Go server 200 through the communication unit 403. The training data set may be a plurality of notations and information on status determination for the plurality of notations. The situation judgment model server 400 supervises and learns to determine the status of the board on which the go board is placed using the received training data set to build a status judgment model, which is a deep learning model, and the status of the terminal 100 user. The situation can be judged according to the request for judgment. A detailed description of the situation determination model server 400 training with the situation determination model follows the description of the situation determination model of FIGS. 6 to 18.

형세판단 모델 서버(400)의 메모리(401)는 형세판단 모델 서버(400)에서 구동되는 다수의 응용 프로그램(application program) 또는 애플리케이션(application), 형세판단 모델 서버(400)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 명령들은 프로세서(402)로 하여금 동작들을 수행하게 하기 위해 프로세서(402)에 의해 실행 가능하고, 동작들은 형세 판단 모델 학습(트레이닝) 동작, 형세 판단 수행, 형세 판단 결과 송신, 복수의 기보 정보 수신 및 각종 전송 동작을 포함할 수 있다. 또한, 도 20을 참조하면 실시예에서 메모리(401)는, 딥러닝 모델인 형세 판단 모델과 딥러닝을 기반으로 바둑 형세를 판단하여 의미 없는 착수를 회피하는 일련의 동작을 구현하기 위한 착수효용 판단부(400)를 저장 할 수 있다. 또한, 메모리(401)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있고, 메모리(401)는 인터넷(internet)상에서 상기 메모리(301)의 저장 기능을 수행하는 웹 스토리지(web storage)일 수도 있다.The memory 401 of the shape judgment model server 400 includes a number of application programs or applications that are driven by the shape judgment model server 400, and data for the operation of the shape judgment model server 400 , You can store commands. The instructions can be executed by the processor 402 to cause the processor 402 to perform the operations, and the operations include a situation determination model learning (training) operation, a situation determination operation, a situation determination result transmission, a plurality of notation information reception, and It may include various transmission operations. In addition, referring to FIG. 20, in the embodiment, the memory 401 determines the status of Go based on the status determination model, which is a deep learning model, and deep learning, and determines the launch utility for implementing a series of actions to avoid meaningless undertaking. The unit 400 can be stored. In addition, the memory 401 may be a variety of storage devices such as ROM, RAM, EPROM, flash drive, hard drive, etc. in hardware, and the memory 401 provides a storage function of the memory 301 on the Internet. It may be a web storage that performs.

형세판단 모델 서버(400)의 프로세서(402)는 메모리(402)에 저장된 형세 판단 모델(400a)을 독출하여, 구축된 신경망 시스템에 따라서 하기 기술하는 형세 판단 모델(400a) 학습 및 대국 중 바둑판의 형세 판단을 수행하게 된다. 그리고 형세판단 모델 서버(400)의 프로세서(402)는 수행된 형세 판단을 통하여 의미 없는 착수를 회피할 수 있도록 한다. 자세히, 실시예로 형세판단 모델 서버(400)의 프로세서(402)는 바둑 대국의 끝내기 시 바둑판에 공배가 있는지 여부를 판단하고, 해당 바둑판 상태(S)에 공배가 없을 경우 최선의 가일수를 판별하여 착수함으로써 의미 없는 수를 회피할 수 있도록 착수효용 판단정보를 제공할 수 있다. The processor 402 of the situation determination model server 400 reads the situation determination model 400a stored in the memory 402, and learns the situation determination model 400a described below according to the built neural network system and You will perform a judgment on the situation. In addition, the processor 402 of the situation determination model server 400 makes it possible to avoid a meaningless undertaking through the performed situation determination. In detail, as an embodiment, the processor 402 of the model server 400 determines whether or not there is a common multiplication at the end of the game of Go, and determines the best number of days when there is no common multiplication in the corresponding checkerboard state (S). In order to avoid meaningless numbers by undertaking by doing so, it is possible to provide initiation utility determination information.

여기서, 본 발명의 실시예에 따른 가일수는 의미없는 수가 아닌 수 즉, 유의미한 수를 나타내며, 예컨대 모양이 완전히 정리되지 않은 곳에 보강하는 수, 자신의 모양을 지키기 위해 한 수 더 두는 수 등일 수 있다. Here, the number of days according to the embodiment of the present invention represents a number that is not a meaningless number, that is, a significant number, and may be, for example, a number to reinforce where the shape is not completely arranged, a number that is added by one number to protect its shape, etc. .

한편, 실시예에 따라서 프로세서(402)는, 전체 유닛들을 제어하는 메인 프로세서와, 형세 판단 모델(400a)에 따라 신경망 구동시 필요한 대용량의 연산을 처리하는 복수의 그래픽 프로세서(Graphics Processing Unit, GPU)를 포함하도록 구성될 수 있다. Meanwhile, according to an embodiment, the processor 402 includes a main processor that controls all units, and a plurality of graphics processors (GPUs) that process a large amount of computation required when driving a neural network according to the situation determination model 400a. It may be configured to include.

또한, 형세판단 모델 서버(400)는 통신부(403)를 통해 네트워크(500)를 경유하여 바둑 서버(200)와 통신을 수행할 수 있다.In addition, the form judgment model server 400 may communicate with the Go server 200 via the network 500 through the communication unit 403.

- 착수 모델 -Launch model

도 2는 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스에서 인공지능 컴퓨터의 착수를 위한 착수 모델 서버(300)의 착수 모델 구조를 설명하기 위한 도면이고, 도 3은 착수 모델의 정책에 따른 착수점에 대한 이동 확률 분포를 설명하기 위한 도면이고, 도 4는 착수 모델의 착수점에 대한 가치값과 방문 횟수를 설명하기 위한 도면이고, 도 5는 착수 모델이 탐색부의 파이프 라인에 따라 착수하는 과정을 설명하기 위한 도면이다.FIG. 2 is a diagram for explaining the structure of the launching model of the launching model server 300 for launching an artificial intelligence computer in a deep learning-based Go game service according to an embodiment of the present invention. It is a diagram for explaining the distribution probability of movement for the starting point according to the following, FIG. 4 is a diagram for explaining the value of the starting point and the number of visits of the starting model, and FIG. 5 is a diagram for explaining the starting model according to the pipeline of the search unit. It is a diagram for explaining the process of doing.

도 2를 참조하면, 본 발명의 실시예에 따른 착수 모델은 착수 모델 서버(300)의 딥러닝 모델로서 탐색부(310), 셀프 플레이부(320), 착수 신경망(330) 및 착수 결정부(340)를 포함할 수 있다. Referring to FIG. 2, the initiation model according to the embodiment of the present invention is a deep learning model of the initiation model server 300, and the search unit 310, the self-play unit 320, the initiation neural network 330, and the initiation determination unit ( 340) may be included.

착수 모델은 탐색부(310), 셀프 플레이부(320), 착수 신경망(330) 및 착수 결정부(340)를 이용하여 대국에서 이길 수 있도록 착수 하는 모델로 학습될 수 있고, 바둑 대국의 끝내기 시에 공배가 없을 경우 유의미한 수만 착수 할 수 있다. 보다 구체적으로, 탐색부(310)는 착수 신경망(330)의 가이드에 따라 몬테 카를로 트리 서치(Monte Carlo Tree Search; MCTS) 동작을 수행 할 수 있다. MCTS는 모종의　의사 결정을 위한 체험적　탐색 알고리즘이다. 즉, 탐색부(310)는 착수 신경망(330)이 제공하는 이동 확률값(p) 및/또는 가치값(v)에 기초하여 MCTS를 수행할 수 있다. 일 예로, 착수 신경망(330)에 의해 가이드된 탐색부(310)는 MCTS를 수행하여 착수점들에 대한 확률분포값인 탐색 확률값(

)을 출력할 수 있다. 셀프 플레이부(320)는 탐색 확률값(

)에 따라 스스로 바둑 대국을 할 수 있다. 셀프 플레이부(320)는 게임의 승패가 결정되는 시점까지 스스로 바둑 대국을 진행하고, 자가 대국이 종료되면 바둑판 상태(S), 탐색 확률값(

), 자가 플레이 가치값(z)을 착수 신경망(330)에 제공할 수 있다. 바둑판 상태(S)는 착수점들에 바둑돌이 놓여진 상태이다. 자가 플레이 가치값(z)은 바둑판 상태(S)에서 자가 대국을 하였을 때 승률 값이다. 착수 신경망(330)은 이동 확률값(p)과 가치값(v)을 출력할 수 있다. 이동 확률값(p)은 바둑판 상태(S)에 따라 착수점들에 대해 어느 착수점에 착수하는 것이 게임을 이길 수 있는 좋은 수인지 수치로 나타낸 확률분포값이다. 가치값(v)은 해당 착수점에 착수시 승률을 나타낸다. 예를 들어, 이동 확률값(p)이 높은 착수점이 좋은 수일 수 있다. 착수 신경망(330)은 이동 확률값(p)이 탐색 확률값(

)과 동일해지도록 트레이닝되고, 가치값(v)이 자가 플레이 가치값(z)과 동일해지도록 트레이닝될 수 있다. 이후 트레이닝된 착수 신경망(330)은 탐색부(310)를 가이드하고, 탐색부(310)는 이전 탐색 확률값(

)보다 더 좋은 수를 찾도록 MCTS를 진행하여 새로운 탐색 확률값(

)을 출력하게 한다. 셀프 플레이부(320)는 새로운 탐색 확률값(

)에 기초하여 바둑판 상태(S)에 따른 새로운 자가 플레이 가치값(z)을 출력하고 바둑판 상태(S), 새로운 탐색 확률값(

), 새로운 자가 플레이 가치값(z)을 착수 신경망(330)에 제공할 수 있다. 착수 신경망(330)은 이동 확률값(p)과 가치값(v)이 새로운 탐색 확률값(

)과 새로운 자가 플레이 가치값(z)으로 출력되도록 다시 트레이닝될 수 있다. 즉, 착수 모델은 이러한 과정을 반복하여 착수 신경망(330)이 대국에서 이기기 위한 더 좋은 착수점을 찾도록 트레이닝 될 수 있다. 일 예로, 착수 모델은 착수 손실(l)을 이용할 수 있다. 착수 손실(l)은 수학식 1과 같다.The start model can be trained as a model that starts to win the game using the search unit 310, the self-play unit 320, the start neural network 330, and the start decision unit 340, and at the end of the Go game If there is no communion, only meaningful numbers can be initiated. More specifically, the search unit 310 may perform a Monte Carlo Tree Search (MCTS) operation according to the guide of the initiating neural network 330. MCTS is an experiential search algorithm for making some kind of decision. That is, the search unit 310 may perform the MCTS based on the movement probability value (p) and/or the value value (v) provided by the initiating neural network 330. As an example, the search unit 310 guided by the initiation neural network 330 performs an MCTS to obtain a search probability value (the probability distribution value for the initiation points).

) Can be printed. The self-play unit 320 includes a search probability value (

), you can play the Go game yourself. The self-play unit 320 proceeds with the game of Go by itself until the time when the game is determined to win or lose, and when the self-playing ends, the board state (S), the search probability value (

), the self-play value z may be provided to the initiating neural network 330. The checkerboard state (S) is a state in which go stones are placed at the starting points. The self-play value (z) is the win rate value when the player plays the game in the checkerboard state (S). The initiating neural network 330 may output a moving probability value (p) and a value value (v). The moving probability value (p) is a numerical probability distribution value indicating which starting point is a good number to win the game with respect to the starting points according to the checkerboard state (S). The value (v) represents the odds of starting at the starting point. For example, a starting point with a high moving probability value p may be a good number. Initiating neural network 330, the moving probability value (p) is the search probability value (

), and the value v may be trained to be equal to the self-play value z. After the training initiation neural network 330 guides the search unit 310, the search unit 310 is the previous search probability value (

MCTS is performed to find a number better than) and a new search probability value (

) To be printed. The self-play unit 320 is a new search probability value (

), a new self-play value (z) according to the checkerboard state (S) is output, and the checkerboard state (S), a new search probability value (

), a new self-play value z may be provided to the initiating neural network 330. The initiating neural network 330 has a moving probability value (p) and a value value (v) being a new search probability value (

) And the new self can be retrained to be output as the play value z. That is, the initiating model may be trained to repeat this process so that the initiating neural network 330 finds a better starting point to win in the game. As an example, the initiation model may use the initiation loss (l). The starting loss (l) is shown in Equation 1.

(수학식 1)(Equation 1)

는 신경망의 파라미터이고, c는 매우 작은 상수이다.

Is a parameter of the neural network, and c is a very small constant.

수학식 1의 착수 손실(l)에서 z와 v가 같아 지도록 하는 것은 평균 제곱 손실(mean square loss) 텀에 해당되고,

와 p가 같아 지도록 하는 것은 크로스 엔트로피 손실(cross entropy loss) 텀에 해당되고,

에 c를 곱하는 것은 정규화 텀으로 오버핏을 방지하기 위한 것이다.Making z and v equal in the starting loss (l) of Equation 1 corresponds to the mean square loss term,

Making and p become equal corresponds to the term of cross entropy loss,

Multiplying by c is to prevent overfit with the normalization term.

예를 들어, 도 3을 참조하면 트레이닝된 착수 모델은 착수점들에 이동 확률값(p)을 도 3과 같이 확률분포값으로 나타낼 수 있다. 도 4를 참조하면 트레이닝 된 착수 모델의 가치값(v)은 도 4의 하나의 참수점에서 위에 표시된 값으로 나타낼 수 있다. 착수 신경망(330)은 신경망 구조로 구성될 수 있다. 일 예로, 착수 신경망(330)은 한 개의 컨볼루션(convolution) 블록과 19개의 레지듀얼(residual) 블록으로 구성될 수 있다. 컨볼루션 블록은 3X3 컨볼루션 레이어가 여러개 중첩된 형태일 있다. 하나의 레지듀얼 블록은 3X3 컨볼루션 레이어가 여러개 중첩되고 스킵 커넥션을 포함한 형태일 수 있다. 스킵 커넥션은 소정의 레이어의 입력이 해당 레이어의 출력값과 합하여서 출력되어 다른 레이어에 입력되는 구조이다. 또한, 착수 신경망(330)의 입력은 흑 플레이어의 최근 8 수에 대한 돌의 위치 정보과 백 플레이어의 최근 8 수에 대한 돌의 위치 정보와 현재 플레이어가 흑인지 백인지에 대한 차례 정보를 포함한 19*19*17의 RGB 이미지가 입력될 수 있다.For example, referring to FIG. 3, the trained embarkation model may represent a moving probability value p at embarkation points as a probability distribution value as shown in FIG. 3. Referring to FIG. 4, the value v of the trained embarkation model may be expressed as a value indicated above at one beheading point of FIG. 4. The initiating neural network 330 may be configured in a neural network structure. As an example, the initiation neural network 330 may include one convolutional block and 19 residual blocks. The convolution block may be in the form of overlapping several 3X3 convolution layers. One residual block may be in a form in which several 3X3 convolution layers are overlapped and skip connections are included. The skip connection is a structure in which an input of a predetermined layer is combined with an output value of a corresponding layer to be output and input to another layer. In addition, the input of the initiation neural network 330 is 19* including position information of stones for the last 8 numbers of black players, position information of stones for the last 8 numbers of white players, and turn information about whether the current player is black or white. An RGB image of 19*17 can be input.

도 5를 참조하면, 학습된 착수 모델은 자신의 차례에서 착수 신경망(330)과 탐색부(310)를 이용하여 착수할 수 있다. 착수 모델은 선택 과정(a)을 통하여 현재 제1 바둑판 상태(S)(S1)에서 MCTS를 통해 탐색하지 않은 가지인 제2 바둑판 상태(S)(S1-2)에서 활동 함수(Q)와 신뢰값(U)이 높은 착수점을 선택한다. 활동 함수(Q)는 해당 가지를 지날 때마다 산출된 가치값(v)들의 평균값이다. 신뢰값(U)은 해당 가지를 지나는 방문 횟수(N)에 비례한다. 착수 모델은 확장과 평가 과정(b)을 통하여 선택된 착수점에서의 제3 바둑판 상태(S)(S1-2-1)로 확장하고 이동 확률값(p)을 산출 할 수 있다. 착수 모델은 백업 과정(c)을 통하여 확장된 제3 바둑판 상태(S)(S1-2-1)의 가치값을 산출하고 지나온 가지들의 활동 함수(Q), 방문 횟수(N), 이동 확률값(p)을 저장할 수 있다. 착수 모델은 선택(a), 확장 및 평가(b), 백업(c) 과정을 반복하고 각 착수점에 대한 방문 횟수(N)를 이용하여 확률 분포를 만들어서 탐색 확률값(

)을 출력할 수 있다. 착수 모델은 착수점들 중 가장 높은 탐색 확률값(

)을 선택할 수 있고, 선택된 탐색 확률값(

)을 가지는 착수점을 해당 바둑판 상태(S)에서의 최선의 수로 판단할 수 있다. 이때, 착수 모델은 탐색 확률값(

)을 기반으로 최선의 수라고 판단된 착수점을 선결(先決) 착수점으로 설정할 수 있다. 즉, 본 발명의 실시예에서 선결 착수점이란 특정 바둑판 상태(S)에 대하여 착수 모델에 의해 예측된 최선의 착수점일 수 있다. 또한, 착수 모델은 최선의 수로 결정된 선결 착수점에 기반하여 해당 선결 착수점과 관련된 정보(예컨대, 바둑판 상에서의 위치 정보 등)를 포함하는 선결 착수점 정보를 생성할 수 있다. 이때, 착수 모델 서버(300)는 생성된 선결 착수점 정보를 형세판단 모델 서버(400)로 송신할 수 있다. Referring to FIG. 5, the trained initiation model can be initiated using the initiation neural network 330 and the search unit 310 in their turn. The initiation model is trusted with the activity function (Q) in the current first checkerboard state (S) (S1) through the selection process (a) and the second checkerboard state (S) (S1-2), which is a branch that has not been searched through MCTS. Choose a starting point with a higher value (U). The activity function (Q) is an average value of the value values (v) calculated each time the branch passes. The confidence value (U) is proportional to the number of visits (N) passing through the branch. The starting model can be expanded to the third checkerboard state (S) (S1-2-1) at the selected starting point through the expansion and evaluation process (b), and a moving probability value (p) can be calculated. The initiation model calculates the value of the extended third checkerboard state (S) (S1-2-1) through the backup process (c), and the activity function (Q), the number of visits (N), and the probability of movement ( p) can be saved. The initiation model repeats the process of selection (a), expansion and evaluation (b), and backup (c), and creates a probability distribution using the number of visits (N) for each starting point,

) Can be printed. The initiation model is the highest search probability among the initiation points (

) Can be selected, and the selected search probability value (

The starting point with) can be determined as the best number in the corresponding checkerboard state (S). At this time, the starting model is the search probability value (

Based on ), the starting point determined as the best number can be set as the first starting point. That is, in the embodiment of the present invention, the first starting point may be the best starting point predicted by the starting model for a specific checkerboard state (S). In addition, the starting model may generate information on the starting starting point including information related to the starting starting point (eg, location information on a board) based on the starting starting point determined as the best number. In this case, the start model server 300 may transmit the generated information on the pre-determined start point to the shape determination model server 400.

한편, 착수 모델은 본 발명의 실시예에 따라서 의미 없는 착수를 회피하는 바둑 게임 서비스를 제공하기 위하여, 착수 결정부(340)를 포함할 수 있다. 자세히 착수 결정부(340)는 형세판단 모델 서버(400)로부터 수신되는 착수효용 판단정보를 기반으로 특정 선결 착수점에 대한 착수 또는 패스(pass) 동작의 수행 여부를 결정할 수 있다. 이때 착수효용 판단정보는 형세판단 모델 서버(400)에서 특정 선결 착수점에 대한 효용성 여부를 판단한 정보일 수 있다. 즉 착수효용 판단정보는, 특정 선결 착수점이 유의미한 수(즉, 가일수)인지 의미 없는 수(즉, 가일수가 아닌 수)인지 판별된 정보일 수 있다. Meanwhile, the embarkation model may include the embarkation determination unit 340 in order to provide a Go game service that avoids meaningless embarkation according to an embodiment of the present invention. In detail, the embarkation determination unit 340 may determine whether to perform an embarkation or a pass operation for a specific preliminary embarkation point based on the embarkation utility determination information received from the status determination model server 400. At this time, the start-up utility determination information may be information that determines whether or not the utility for a specific pre-determined start point is determined by the form judgment model server 400. That is, the starting utility determination information may be information that is determined whether a specific preemptive starting point is a meaningful number (ie, false days) or a meaningless number (ie, not false days).

계속해서, 착수 결정부(340)는 형세판단 모델 서버(400)로부터 수신되는 착수효용 판단정보에 기반하여 다음 선결 착수점인 후행 선결 착수점을 도출하게 할 수도 있다. 즉 착수 결정부(340)는 수신되는 착수효용 판단정보에 따라서 착수 모델 서버가 선결 착수점에 대한 착수를 수행 또는 패스하거나, 해당 선결 착수점 다음으로 최고의 수라고 판단되는 후행 선결 착수점을 도출하도록 탐색부(310)를 제어할 수 있다. 여기서 착수 모델이 후행 선결 착수점을 도출하는 경우, 도출된 후행 선결 착수점은 형세판단 모델 서버(400)로 송신될 수 있고 이에 기반한 착수효용 판단정보가 생성되는 동작이 반복될 수 있다. Subsequently, the start decision unit 340 may derive the next first start point, which is the next first start point, based on the start utility determination information received from the situation judgment model server 400. That is, the start decision unit 340 allows the start model server to start or pass the first start start point according to the received start utility decision information, or to derive a subsequent first run start point judged to be the highest number after the corresponding start start point. The search unit 310 can be controlled. Here, when the initiation model derives a subsequent pre-determined starting point, the derived subsequent pre-determined starting point may be transmitted to the form judgment model server 400, and the operation of generating the starting utility determination information based on this may be repeated.

보다 자세한 설명은 이하에서 기술되는 딥러닝을 기반으로 의미 없는 착수를 회피하는 방법의 상세한 설명에서 후술하기로 한다. 또한, 본 실시예에서는 착수 결정부(340)가 착수 모델 서버(300)에 포함되어 동작하는 것으로 설명하나, 다른 실시예에서는 착수 결정부(340)가 바둑서버(200) 또는 형세판단 모델 서버(400)에 포함되거나 별도의 장치로 구현되는 등 다양한 실시예 또한 가능하다. A more detailed description will be described later in the detailed description of a method for avoiding meaningless undertaking based on deep learning to be described below. In addition, in this embodiment, it is described that the embarkation determination unit 340 is included in the embarkation model server 300 and operates, but in another embodiment, the embarkation determination unit 340 is the Go server 200 or the form judgment model server ( 400) or implemented as a separate device, various embodiments are also possible.

- 형세 판단 모델 -Position judgment model

도 6은 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스의 형세 판단 기능을 제공하는 화면을 보여 주는 예시도이고, 도 7은 본 발명의 형세판단 모델 서버(400)의 형세 판단 모델(400a) 구조를 설명하기 위한 도면이고, 도 8은 본 발명의 형세 판단 모델(400a)의 복수의 블록으로 이루어진 신경망 구조 중 하나의 블록을 설명하기 위한 도면이다.6 is an exemplary view showing a screen that provides a position determination function of a deep learning-based Go game service according to an embodiment of the present invention, and FIG. 7 is a state determination model of the position determination model server 400 of the present invention ( 400a) is a diagram for explaining the structure, and FIG. 8 is a diagram for explaining one block of a neural network structure composed of a plurality of blocks of the state determination model 400a of the present invention.

도 6을 참조하면, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스는 현재 바둑판 상태(S)의 형세 판단을 할 수 있다. 일 예로, 도 6과 같이 유저가 단말기(100)의 화면에서 바둑 대국 중 형세 판단 메뉴(A)를 클릭하여 형세 판단을 요청하면 딥러닝 기반의 바둑 게임 서비스가 팝업 창에 형세 판단 결과를 제공할 수 있다. 형세 판단은 바둑 대국 중에 상대방과 나의 집을 계산하여 누가 몇점으로 이기고 있는지 판단하는 것이다. 예를 들어, 유저는 형세가 나에게 유리하다는 판단이 서면 더 이상 무리하지 말고 현재의 유리한 상황을 그대로 유지한 채 대국을 종료하는 방향으로 전략을 세울 것이고, 만약 불리하다는 판단이면 게임 국면을 새롭게 전환할 수 있도록 여러가지 전략을 모색할 수 있다. 형세 판단의 기준은 바둑돌이 바둑판에 배치된 상태에 따른 집, 사석, 돌, 공배, 빅이 된다. 돌은 바둑판에 놓여진 돌이고 한국 규칙에서는 점수가 아니다. 집은 한 가지 색의 바둑돌로 둘러쌓인 빈 점으로 구성된 영역으로 한국 규칙에서는 점수이다. 공배와 빅은 바둑이 끝났을 때 흑집도 백집도 아닌 영역으로 한국 규칙에서는 점수가 아니다. 판위사석은 바둑판 위에 놓여진 돌 중에서 어떻게 두어도 잡힐 수밖에 없어 죽게 된 돌로 한국 규칙에서는 상대방의 집을 메우는데 사용하므로 점수이다. 빅은 바둑이 끝났을 때, 흑집도 백집도 아닌 영역을 말한다.　 따라서, 형세 판단은 바둑돌이 놓인 바둑판 상태(S)에서 집, 사석, 돌, 공배, 빅을 정확히 구분 또는 예측해야 정확한 판단이 될 수 있다. 이 때, 집, 사석, 돌, 공배, 빅을 정확히 구분하는 것은 집, 사석, 돌, 공배, 빅이 완전히 이루어진 상태를 구분하는 것이고, 집, 사석, 돌, 공배, 빅을 정확히 예측하는 것은 집, 사석, 돌, 공배, 빅이 될 가능성이 높은 상태를 예측하는 것일 수 있다. Referring to FIG. 6, the deep learning-based Go game service according to an embodiment of the present invention can determine the status of the current Go board state (S). For example, as shown in FIG. 6, when a user requests a situation determination by clicking the situation determination menu (A) during a game of Go on the screen of the terminal 100, a deep learning-based Go game service provides the situation determination result in a pop-up window. I can. The situation judgment is to determine who is winning with how many points by calculating the opponent and my house during the game of Go. For example, if the user decides that the situation is favorable to me, he will not overdo it anymore and will develop a strategy in the direction of ending the game while maintaining the current favorable situation. You can explore different strategies to help you do it. The criteria for judging the situation are houses, sandstones, stones, gongbae, and big according to the state in which the go stones are placed on the board. A stone is a stone placed on a checkerboard and is not a score in Korean rules. A house is an area made up of empty dots surrounded by single colored Go stones, and is a score in Korean rules. Gongbae and Big are the areas that are neither black nor white when Baduk is over, and are not points in Korean rules. Panwisaseok is a stone that dies because it is bound to be caught no matter how it is placed on the board. It is a score because it is used to fill the opponent's house under Korean rules. Big refers to an area that is neither a black house nor a white house when Baduk is over. Therefore, the situation can be accurately determined only when the house, stone, stone, gongbae, and big are accurately classified or predicted in the checkerboard state (S) on which the go stones are placed. At this time, the exact classification of house, sandstone, stone, gongbae, and big is to distinguish the state where the house, sandstone, stone, gongbae, and vic are completely completed. It may be to predict a state that is likely to become a stone, stone, gongbae, or big.

도 7을 참조하면, 본 발명의 실시예에 따른 형세 판단 모델(400a)은 형세판단 모델 서버(400)의 딥러닝 모델로써 형세 판단 신경망(410), 입력 특징 추출부(420) 및 정답 레이블 생성부(430)를 포함할 수 있다. Referring to FIG. 7, a situation determination model 400a according to an embodiment of the present invention is a deep learning model of a situation determination model server 400, and a situation determination neural network 410, an input feature extraction unit 420, and a correct answer label are generated. It may include a unit 430.

또한, 본 발명의 실시예에 따른 형세 판단 모델(400a)은 딥러닝 신경망을 기초로 바둑 형세를 판단하여 의미 없는 착수를 회피하는 프로세스를 동작하기 위하여 착수효용 판단부(400b)와 연동될 수 있다. 이에 대한 자세한 설명은 후술하기로 한다. In addition, the situation determination model 400a according to an embodiment of the present invention may be interlocked with the starting utility determination unit 400b to operate a process of avoiding meaningless starting by determining the situation of Go based on a deep learning neural network. . A detailed description of this will be described later.

형세 판단 모델(400a)은 형세 판단 신경망(410)을 이용하여 현재 바둑판 상태(S)의 형세를 판단할 수 있도록 지도 학습(supervised learning)할 수 있다. 보다 구체적으로, 형세 판단 모델(400a) 바둑판 상태(S)에 관한 트레이닝 데이터 셋을 생성하고 생성된 트레이닝 데이터 셋을 이용하여 형세 판단 신경망(410)이 현재 바둑판 상태(S)에 따른 형세를 판단할 수 있도록 학습시킬 수 있다. 형세판단 모델 서버(400)는 바둑서버(200)로부터 복수의 기보를 수신할 수 있다. 복수의 기보의 각 기보는 착수 순서에 따른 각각의 바둑판 상태(S)를 포함할 수 있다. The situation determination model 400a may perform supervised learning to determine the current state of the board state S using the state determination neural network 410. More specifically, the situation determination model 400a generates a training data set for the checkerboard state (S), and the situation determination neural network 410 uses the generated training data set to determine the situation according to the current checkerboard state (S). You can learn to do it. The form judgment model server 400 may receive a plurality of notations from the Go server 200. Each notation of the plurality of notations may include a respective checkerboard state (S) according to the starting order.

입력 특징 추출부(420)는 복수의 기보의 바둑판 상태(S)에서 입력 특징(IF)을 추출하여 형세 판단 신경망(410)에 트레이닝을 위한 입력 데이터로 제공할 수 있다. 바둑판 상태(S)의 입력 특징(IF)은 흑 플레이어의 최근 8 수에 대한 돌의 위치 정보과 백 플레이어의 최근 8 수에 대한 돌의 위치 정보와 현재 플레이어가 흑인지 백인지에 대한 차례 정보를 포함한 19*19*18의 RGB 이미지일 수 있다. 일 예로, 입력 특징 추출부(420)는 신경망 구조로 되어 있을 수 있으며 일종의 인코더를 포함할 수 있다.The input feature extraction unit 420 may extract the input feature IF from the checkerboard state S of a plurality of notations and provide the state determination neural network 410 as input data for training. The input feature (IF) of the checkerboard status (S) includes the stone location information for the last 8 number of black players, the stone location information for the last 8 number of white players, and the turn information for whether the current player is black or white. It may be a 19*19*18 RGB image. For example, the input feature extraction unit 420 may have a neural network structure and may include a kind of encoder.

정답 레이블 생성부(430)는 현재 바둑판 상태(S)로 전처리 과정을 거쳐 정답 레이블(ground truth)을 생성하고 정답 레이블을 형세 판단 신경망(410)에 트레이닝을 위한 타겟 데이터(

)로 제공할 수 있다. 정답 레이블 생성부(430)의 정답 레이블 생성은 후술하는 도 9 내지 도 11의 설명을 따른다. 일 예로, 정답 레이블 생성부(430)는 신경망 구조의 롤아웃 또는 인코더를 포함할 수 있다.The correct answer label generation unit 430 generates a ground truth through a pre-processing process in the current checkerboard state (S), and sends the correct answer label to the situation determination neural network 410 for training target data (

) Can be provided. The generation of the correct answer label by the correct answer label generator 430 follows the description of FIGS. 9 to 11 to be described later. As an example, the correct answer label generator 430 may include a rollout or an encoder of a neural network structure.

형세 판단 모델(400a)은 입력 특징(IF)을 입력 데이터로 하고 정답 레이블을 타겟 데이터(

)로 한 트레이닝 데이터 셋을 이용하여 형세 판단 신경망(410)에서 생성된 출력 데이터(o)가 타겟 데이터(

)와 동일해지도록 형세 판단 신경망(420)을 충분히 학습할 수 있다. 일 예로, 형세 판단 모델(400a)은 형세 판단 손실(

)을 이용할 수 있다. 형세 판단 손실(

)은 평균 제곱 에러(mean square error)를 이용할 수 있다. 예를 들어, 형세 판단 손실(

)은 수학식 2와 같다.The situation determination model 400a uses the input feature (IF) as input data and the correct answer label as target data (

Using the training data set as ), the output data (o) generated by the neural network 410 is the target data (

The situation determination neural network 420 may be sufficiently learned to become equal to ). As an example, the situation judgment model 400a is the situation judgment loss (

) Can be used. Loss of judgment (

) Can be used as the mean square error. For example, loss of position judgment (

) Is the same as in Equation 2.

(수학식 2)(Equation 2)

B는 바둑판의 전체 교차점 수이다. 바둑판은 가로 19줄 및 세로 19줄이 서로 교차하여 361개의 교차점이 배치된다. 이에 제한되는 것은 아니고 바둑판이 가로 9줄 및 세로 9줄일 경우 81개의 교차점이 배치될 수 있다.

는 현재 바둑판 상태(S)에서 정답 레이블에 따른 소정의 교차점(i)에 대한 형세값이다. 형세값에 대한 설명은 후술하는 도 11의 설명에 따른다.

는 현재 바둑판 상태(S)에서 소정의 교차점(i)을 형세 판단 신경망(410)에 입력하였을 때에 출력되는 출력 데이터이다. 형세 판단 모델(400a)은 형세 판단 손실(

)이 최소화되도록 경사 하강법(gradient-descent)과 역전파(backpropagation)을 이용하여 형세 판단 신경망(410) 내의 가중치와 바이어스 값들을 조절하여 형세 판단 신경망(410)를 학습시킬 수 있다.B is the total number of intersections on the board. In the checkerboard, 19 horizontal and 19 vertical lines cross each other, and 361 intersections are arranged. This is not limited thereto, and 81 intersections may be arranged when the checkerboard has 9 horizontal lines and 9 vertical lines.

Is the position value for a predetermined intersection (i) according to the correct answer label in the current checkerboard state (S). The description of the position value follows the description of FIG. 11 to be described later.

Is output data that is output when a predetermined intersection (i) is input to the situation determination neural network 410 in the current checkerboard state (S). The situation judgment model 400a is the situation judgment loss (

) To minimize the situation, the situation determination neural network 410 may be trained by adjusting weights and bias values in the situation determination neural network 410 using gradient-descent and backpropagation.

형세 판단 신경망(410)은 신경망 구조로 구성될 수 있다. 일 예로, 형세 판단 신경망(420)은 19개의 레지듀얼(residual) 블록으로 구성될 수 있다. 도 8을 참조하면, 하나의 레지듀얼 블록은 256개의 3X3 컨볼루션 레이어, 일괄 정규화(batch normalization) 레이어, Relu 활성화 함수 레이어, 256개의 3X3 컨볼루션 레이어, 일괄 정규화(batch normalization) 레이어, 스킵 커넥션, Relu 활성화 함수 레이어 순으로 배치될 수 있다. 일괄 정규화(batch normalization) 레이어는 학습하는 도중에 이전 레이어의 파라미터 변화로 인해 현재 레이어의 입력의 분포가 바뀌는 현상인 공변량 변화(covariate shift)를 방지하기 위한 것이다. 스킵 커넥션은 블록 층이 두꺼워지더라도 신경망의 성능이 감소하는 것을 방지하고 블록 층을 더욱 두껍게 하여 전체 신경망 성능을 높일 수 있게 한다. 스킵 커넥션은 레지듀얼 블록의 최초 입력 데이터가 두 번째 일괄 정규화(batch normalization) 레이어의 출력과 합하여 두번째 Relu 활성화 함수 레이어에 입력되는 형태일 수 있다.The situation determination neural network 410 may be configured in a neural network structure. For example, the situation determination neural network 420 may be composed of 19 residual blocks. Referring to FIG. 8, one residual block includes 256 3X3 convolution layers, batch normalization layers, Relu activation function layers, 256 3X3 convolution layers, batch normalization layers, skip connection, and Relu activation function layers may be arranged in order. The batch normalization layer is to prevent covariate shift, which is a phenomenon in which the distribution of the input of the current layer changes due to a parameter change of the previous layer during training. The skip connection prevents a decrease in the performance of the neural network even if the block layer becomes thicker, and increases the overall neural network performance by making the block layer thicker. The skip connection may be a form in which the first input data of the residual block is added to the output of the second batch normalization layer and input to the second relu activation function layer.

도 9 및 도 10은 본 발명의 형세 판단 모델(400a)을 학습하기 위해 사용되는 정답 레이블을 생성하기 위한 제1 및 제2 전처리 단계를 설명하기 위한 도면이고, 도 11은 본 발명의 형세 판단 모델(400a)을 학습하기 위해 사용되는 정답 레이블을 생성하기 위한 제3 전처리 단계를 설명하기 위한 도면이다.9 and 10 are diagrams for explaining first and second preprocessing steps for generating a correct answer label used to learn the position determination model 400a of the present invention, and FIG. 11 is a position determination model of the present invention A diagram for explaining a third pre-processing step for generating a correct answer label used for learning (400a).

정답 레이블 생성부(430)는 형세 판단 신경망(410)이 정확한 형세 판단을 할 수 있도록 학습하는데 이용되는 정답 레이블을 생성할 수 있다.The correct answer label generation unit 430 may generate a correct answer label used for learning so that the situation determination neural network 410 can accurately determine the situation.

보다 구체적으로, 정답 레이블 생성부(430)는 입력 데이터에 기초가 되는 바둑판 상태(S)를 입력으로 받고, 현재 바둑판 상태(S)에서 끝내기를 하는 제1 전처리를 수행하여 제1 전처리 상태(P1)를 생성할 수 있다. 제1 전처리인 끝내기는 집 계산을 하기 전에 집의 경계가 명확해지도록 소정의 착수를 하여 게임을 마무리하는 과정이다. 일 예로, 도 9를 참조하면 정답 레이블 생성부(430)는 도 9의 (a)의 현재 바둑판 상태(S)에서 끝내기를 하여 도 9의 (b)의 제1 전처리 상태(P1)를 생성할 수 있다. More specifically, the correct answer label generation unit 430 receives a checkerboard state (S) based on the input data as an input, and performs a first preprocessing to end in the current checkerboard state (S) to perform a first preprocessing state (P1). ) Can be created. The first pre-processing, finishing, is a process of completing the game by performing a predetermined start so that the boundaries of the house become clear before calculating the house. As an example, referring to FIG. 9, the correct answer label generation unit 430 may generate the first pre-processing state P1 of FIG. 9 (b) by ending in the current checkerboard state (S) of FIG. 9 (a). I can.

정답 레이블 생성부(430)는 제1 전처리 상태(P1)에서 집 경계 내에 배치되며 집 구분에 불필요한 돌을 제거하는 제2 전처리를 수행하여 제2 전처리 상태(P2)를 생성할 수 있다. 예를 들어, 집 경계 내에 배치되며 집 구분에 불필요한 돌은 사석일 수 있다. 사석은 집안에 상대방 돌이 배치되어 어떻게 두어도 잡힐수 밖에 없어 죽게 된 돌임을 앞서 설명하였다. 또한, 집 경계 내에 배치되며 집 구분에 불필요한 돌은 집안에 배치된 자신의 돌일 수 있다. 일 예로, 도 9를 참조하면 정답 레이블 생성부(430)는 도 9의 (b)의 제1 전처리 상태(P1)에서 집 구분에 불필요한 돌을 제거하여 도 9의 (c)의 제2 전처리 상태(P2)를 생성할 수 있다.The correct answer label generator 430 may generate a second pre-processing state P2 by performing a second pre-processing of removing stones that are disposed within the boundary of the house in the first pre-processing state P1 and unnecessary to classify the house. For example, stones placed within the boundary of the house and unnecessary to divide the house may be sandstone. Saseok explained earlier that the other stone was placed in the house, so no matter how it was placed, it could only be caught and died. In addition, stones placed within the boundary of the house and unnecessary to divide the house may be own stones placed in the house. For example, referring to FIG. 9, the correct answer label generation unit 430 removes stones unnecessary for house division in the first preprocessing state P1 of FIG. 9B, and thus the second preprocessing state of FIG. 9C. (P2) can be created.

다른 예로, 도 10을 참조하면, 정답 레이블 생성부(430)는 도 10의 (a)의 현재 바둑판 상태(S)에서 제1 전처리인 끝내기를 위하여 도 10의 (b)와 같이 빨간색 x에 착수할 수 있다. 정답 레이블 생성부(430)는 도 10의 (b)에서 파란색 x로 표시된 사석을 제거하기 위하여 녹색 x에 착수하여 사석을 제거하고 사석 제거를 위해 사용된 녹색 x에 착수한 돌도 제거하여 제2 전처리를 수행할 수 있다.As another example, referring to FIG. 10, the correct answer label generation unit 430 starts the red x as shown in FIG. 10 (b) to end the first pre-processing in the current checkerboard state (S) of FIG. 10 (a). can do. The correct answer label generation unit 430 removes the rubble by embarking on the green x in order to remove the rubble indicated by the blue x in FIG. 10(b), and removes the green x used for removing the rubble. Pretreatment can be performed.

정답 레이블 생성부(430)는 제2 전처리 상태(P2)에서 각 교차점을 -1 부터 +1까지 표시된 형세값(g, 단 g는 정수)으로 변경하는 제3 전처리를 수행할 수 있다. 즉, 제3 전처리는 정답 레이블 생성부(430)가 이미지 특징인 제2 전처리 상태(P2)를 수치 특징인 제3 전처리 상태(P3)로 변경하는 것이다. 일 예로, 제2 전처리 상태(P2)에서 교차점에 내 돌이 배치되면 0, 내 집 영역이면 +1, 상대 돌이 배치되면 0, 상대 집 영역이면 -1로 대응할 수 있다. 이 경우, 형세 판단 신경망(410)은 형세 판단시 집, 돌, 사석을 구분할 수 있도록 학습될 수 있다. 다른 예로, 제2 전처리 상태(P2)에서 교차점에 내 돌이 배치되면 0, 내 집 영역이면 +1, 상대 돌이 배치되면 0, 상대 집 영역이면 -1, 빅 또는 공배이면 0으로 대응할 수 있다. 다른 예의 경우 형세 판단 신경망(410)은 형세 판단시 빅 또는 공배를 구분할 수 있도록 학습될 수 있다. 예를 들어, 도 11을 참조하면, 정답 레이블 생성부(430)는 도 11의 (a)의 제2 전처리 상태(P2)를 도 11의 (b)의 제3 전처리 상태(P3)로 특징을 변경할 수 있다. The correct answer label generation unit 430 may perform a third pre-process of changing each intersection point to a position value (g, but g is an integer) displayed from -1 to +1 in the second pre-processing state P2. That is, in the third pre-processing, the correct answer label generator 430 changes the second pre-processing state P2, which is an image feature, to a third pre-processing state P3, which is a numerical feature. For example, in the second pre-treatment state P2, if my stone is placed at the intersection, it may correspond to 0, if it is a home area, +1, if a counterpart stone is disposed, it may correspond to -1. In this case, the situation determination neural network 410 may be trained to distinguish a house, a stone, and a stone when determining the situation. As another example, in the second pretreatment state P2, if my stone is placed at the intersection, it may correspond to 0, if it is my house area, +1, if the opponent stone is disposed, it may correspond to 0, if it is a relative house area, it may correspond to -1, and if it is big or common, 0. In another example, the situation determination neural network 410 may be trained to distinguish between a big or common place when determining the situation. For example, referring to FIG. 11, the correct answer label generation unit 430 characterizes the second pre-processing state P2 of FIG. 11 (a) as the third pre-processing state P3 of FIG. 11 (b). You can change it.

제3 전처리 상태(P3)는 바둑판 상태(S)에서의 형세 판단의 정답 레이블이 되고 형세 판단 신경망(410)의 학습 시 타겟 데이터(

)로 이용될 수 있다. The third preprocessing state (P3) becomes the correct answer label of the situation determination in the checkered state (S), and target data (

) Can be used.

도 12는 본 발명의 형세 판단 모델(400a)의 형세 판단 결과를 설명하기 위한 도면이다.12 is a diagram for explaining a result of determining the position of the position determination model 400a of the present invention.

학습된 형세 판단 모델(400a)은 바둑판 상태(S)가 입력되면 바둑판의 모든 교차점에 대한 형세값을 제공할 수 있다. 즉, 바둑판 교차점의 361개 지점에 대해 형세값인 -1 내지 +1의 정수 값을 제공할 수 있다. The learned position determination model 400a may provide position values for all intersection points of the board when the checkerboard state S is input. That is, an integer value of -1 to +1, which is a layout value, can be provided for 361 points of the crossing of the checkerboard.

도 12를 참조하면, 형세판단 모델 서버(400)는 형세 판단 모델(400a)이 제공한 형세값, 소정의 임계값, 돌의 유무를 이용하여 형세를 판단할 수 있다. 일 예로, 형세판단 모델 서버(400)는 돌이 없는 곳이며, 형세값이 제1 임계값을 넘으면 내 집이 될 가능성이 높은 곳으로 판단하고, +1에 가까운 값이면 내 집 영역으로 판단할 수 있다. 형세판단 모델 서버(400)는 내 집일 가능성이 높을수록 점점 커지는 내 돌과 같은 색의 네모 형태로 표시할 수 있다. 형세판단 모델 서버(400)는 돌이 없는 곳이며, 형세값이 제2 임계값 이하이면 상대 집이 될 가능성이 높은 곳으로 판단하고, -1에 가까운 값이면 내집 영역으로 판단할 수 있다. 형세판단 모델 서버(400)는 상대 집일 가능성이 높을수록 점점 커지는 상대 돌과 같은 색의 네모 형태로 표시할 수 있다. 형세판단 모델 서버(400)는 돌이 없는 곳이며, 형세값이 제3 임계값 범위 이내 또는 0에 가까운 값이면 공배 또는 빅으로 판단할 수 있다. 형세판단 모델 서버(400)는 공배 또는 빅으로 판단하면 X로 표시할 수 있다. 형세판단 모델 서버(400)는 돌이 있는 곳이며, 형세값이 제3 임계값 범위 이내 또는 0에 가까운 값이면 내 돌 또는 상대 돌로 판단할 수 있다. 형세판단 모델 서버(400)는 공배 또는 빅으로 판단하면 아무런 표시를 안할 수 있다. 형세판단 모델 서버(400)는 돌이 있는 곳이며, 형세값이 제1 임계값을 넘으면 상대 돌의 사석이 될 가능성이 높은 곳으로 판단하고, +1에 가까운 값이면 상대 돌의 사석으로 판단할 수 있다. 형세판단 모델 서버(400)는 상대 돌의 사석일 가능성이 높을수록 점점 커지는 내 돌과 같은 색의 네모 형태로 표시할 수 있다. 형세판단 모델 서버(400)는 돌이 있는 곳이며, 형세값이 제2 임계값 이하이면 내 돌의 사석이 될 가능성이 높은 곳으로 판단하고, -1에 가까운 값이면 상대 돌의 사석으로 판단할 수 있다. 형세판단 모델 서버(400)는 상대 돌의 사석일 가능성이 높을수록 점점 커지는 상대 돌과 같은 색의 네모 형태로 표시할 수 있다. Referring to FIG. 12, the situation determination model server 400 may determine the situation using a situation value provided by the situation determination model 400a, a predetermined threshold value, and the presence or absence of a stone. As an example, the situation judgment model server 400 is a place where there is no stone, and if the situation value exceeds the first threshold, it is determined as a place with a high possibility of becoming my home, and if a value close to +1, it can be determined as my home area. have. The shape judgment model server 400 may display a square shape of the same color as my stone, which gradually increases as the likelihood of the house is high. The situation judgment model server 400 may determine a location where there is no stone, and when the location value is less than or equal to the second threshold value, it may be determined as a location with a high possibility of becoming a relative house, and a value close to -1 may determine it as a home area. The shape judgment model server 400 may display a square shape of the same color as the opponent stone, which gradually increases as the likelihood of the opponent's house increases. The position judgment model server 400 is a place where there is no stone, and if the position value is within the range of the third threshold value or a value close to 0, it may be determined as common or big. If the situation judgment model server 400 determines that it is common or big, it may be indicated by an X. The shape judgment model server 400 is a place where the stone is located, and if the shape value is within the third threshold value range or a value close to 0, it may be determined as an inner stone or a relative stone. The form judgment model server 400 may not display any display when it is determined as common or big. The position judgment model server 400 is a place where the stone is located, and if the position value exceeds the first threshold value, it is determined as a place that is likely to be the stone stone of the other stone, and if the value is close to +1, it can be determined as the stone stone of the other stone. have. The shape judgment model server 400 may display a square shape of the same color as my stone, which gradually increases as the probability of the stone stone of the opponent increases. The situation judgment model server 400 is a place where a stone is located, and if the situation value is less than the second threshold, it is determined as a place that is likely to be the stone of my stone, and if it is close to -1, it can be determined as the stone of the other stone. have. The shape judgment model server 400 may display a square shape of the same color as that of the opponent stone, which gradually increases as the probability of the stone stone is higher.

또한, 형세판단 모델 서버(400)(300)는 각 교차점에서 판단한 형세 판단 기준을 이용하여 현재 바둑판 상태(S)에서의 계가 결과를 표시할 수 있다. In addition, the status judgment model servers 400 and 300 may display the results of the calculation in the current checkerboard state S using the status judgment criteria determined at each intersection.

따라서, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 그 장치는 딥러닝 신경망을 이용하여 바둑 형세를 판단할 수 있다. 또한, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 장치는 바둑 규칙에 따른 집, 사석, 돌, 공배, 빅을 정확히 구분하여 바둑의 형세를 정확히 판단할 수 있다. 또한, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 장치는 바둑 규칙에 따른 집, 사석, 돌, 공배, 빅을 예측하여 바둑의 형세를 정확히 판단할 수 있다. 또한, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 장치는 바둑 대국 중 신속하게 형세를 판단할 수 있다.Accordingly, the deep learning-based Go game service device according to the embodiment may determine the status of Go by using a deep learning neural network. In addition, the deep learning-based Go game service device according to the embodiment can accurately determine the status of Go by accurately classifying houses, sandstones, stones, gongbae, and big according to the Go rule. In addition, the deep learning-based Go game service apparatus according to the embodiment may accurately determine the status of Go by predicting houses, sandstones, stones, gongbae, and big according to the Go rule. In addition, the deep learning-based Go game service apparatus according to the embodiment may quickly determine the status of the Go game.

한편, 형세판단 모델 서버(400)는 의미 없는 수를 판단하기 위한 일련의 동작을 수행하기 위하여 형세 판단 모델(400a)로부터 제1 내지 3 전처리 과정을 통해 도출된 형세값을 기반으로 공배유무 정보를 생성할 수 있다. 여기서, 공배유무 정보는 해당 바둑판 상태(S)에 공배가 존재하는지 여부를 판단한 정보를 의미할 수 있다. 즉, 형세판단 모델 서버(400)는 형세 판단 모델(400a)에 의하여 바둑판 모든 교차점에 대해 예측된 형세값, 소정의 임계값 및 돌의 유무에 기초하여 각 교차점에 대한 형세 판단을 수행하고 공배유무를 판단해 공배유무 정보를 생성할 수 있다. Meanwhile, in order to perform a series of operations for determining the number of meaningless numbers, the situation judgment model server 400 collects information on common distribution based on the situation values derived through the first to third preprocessing processes from the situation determination model 400a. Can be generated. Here, the information on whether or not a common share may mean information that determines whether or not a common share exists in the corresponding checkerboard state (S). That is, the situation judgment model server 400 performs a situation determination for each intersection based on the predicted position value, a predetermined threshold value, and the presence or absence of stones for all intersections of the checkerboard by the position determination model 400a It is possible to determine whether or not to generate common distribution information.

도 13은 본 발명의 형세 판단 모델(400a)의 형세 판단 결과와 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 결과를 비교한 모습이고, 도 14는 본 발명의 형세 판단 모델(400a)의 형세 판단 결과와 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 결과를 비교한 모습이고, 도 15는 본 발명의 형세 판단 모델(400a)의 형세 판단 결과와 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 결과를 비교한 모습이다.13 is a view comparing the situation determination result of the situation determination model 400a of the present invention with the situation determination result by a deep learning model according to the prior art, and FIG. 14 is a state determination of the situation determination model 400a of the present invention The results are compared with the results of the situation determination by the deep learning model according to the prior art, and FIG. 15 shows the results of the situation determination by the situation determination model 400a of the present invention and the situation determination result by the deep learning model according to the prior art. This is a comparison.

도 13을 참조하면, 본 발명의 형세 판단 모델(400a)은 도 13의 (a)의 B영역과 같이 교차점 마다 집, 돌, 사석을 구분하여 형세를 판단한다. 그러나 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 모델(400a)은 도 13의 (b)에서 도 13의 (a)와 대응 되는 영역의 교차점에 대하여 집, 돌, 사석을 구분하지 못한다.Referring to FIG. 13, the situation determination model 400a of the present invention determines the situation by classifying houses, stones, and rubbles at each intersection as in area B of FIG. 13A. However, the situation determination model 400a based on the deep learning model according to the prior art cannot distinguish between a house, a stone, and a rubble with respect to the intersection of an area corresponding to that of FIG. 13(a) in FIG. 13(b).

마찬가지로 도 14를 참조하면, 본 발명의 형세 판단 모델(400a)은 도 14의 (a)의 C영역과 같이 교차점 마다 집, 돌, 사석을 구분하여 형세를 판단한다. 그러나 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 모델(400a)은 도 14의 (b)에서 도 13의 (a)와 대응 되는 영역의 교차점에 대하여 집, 돌, 사석을 구분하지 못한다.Likewise, referring to FIG. 14, the situation determination model 400a according to the present invention determines the situation by classifying a house, stone, and stone at each intersection, as in area C of FIG. 14A. However, the situation determination model 400a based on the deep learning model according to the prior art cannot distinguish between a house, a stone, and a rubble with respect to the intersection of an area corresponding to that of FIG. 13(a) in FIG. 14(b).

도 15을 참조하면, 본 발명의 형세 판단 모델(400a)은 도 15의 (a)의 D영역과 같이 백집을 제대로 인식한다. 그러나 종래 기술에 따른 딥러닝 모델에 의한 형세 판단 모델(400a)은 도 15의 (b)에서 도 15의 (a)와 대응 되는 영역에서 백집을 구분하지 못한다.Referring to FIG. 15, the situation determination model 400a of the present invention properly recognizes a white house as shown in area D of FIG. 15A. However, the situation determination model 400a based on the deep learning model according to the prior art cannot distinguish a bag house in a region corresponding to FIG. 15(b) to FIG. 15(a).

도 16은 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 시스템에 신호 흐름에 대한 예시도이다.16 is an exemplary diagram of a signal flow in a deep learning-based Go game service system according to an embodiment of the present invention.

도 16을 참조하면, 착수 모델 서버(300)는 인공지능 컴퓨터로서 자신의 턴에서 대국에서 이길 수 있도록 바둑돌의 착수를 수행할 수 있도록 바둑 규칙에 따라 스스로 학습하여 딥러닝 모델인 착수 모델을 트레이닝 할 수 있다(s11). 바둑서버(200)는 복수의 기보를 형세판단 모델 서버(400)에게 송신할 수 있다. 형세판단 모델 서버(400)는 트레이닝 데이터 셋을 생성할 수 있다. 먼저, 형세판단 모델 서버(400)는 복수의 기보의 바둑판 상태(S)에서 입력 특징을 추출할 수 있다(S13). 형세판단 모델 서버(400)는 입력 특징을 추출한 바둑판 상태(S)를 이용하여 정답 레이블을 생성할 수 있다(S14). 형세판단 모델 서버(400)는 입력 특징을 입력 데이터로 하고 정답 레이블을 타겟 데이터로 한 트레이닝 데이터 셋을 이용하여 형세 판단 모델(400a)을 트레이닝 할 수 있다(S15). 단말기(100)는 바둑서버(200)에 인공지능 컴퓨터를 상대로 또는 다른 유저 단말기를 상대로 바둑 게임을 요청할 수 있다(S16). 바둑서버(200)는 단말기(100)가 인공지능 컴퓨터를 상대로 바둑 게임을 요청하면 착수 모델 서버(300)에 착수를 요청할 수 있다(S17). 바둑서버(200)는 바둑 게임을 진행하며 단말기(100)와 착수 모델 서버(300)가 자신의 턴에 착수를 수행할 수 있다(S18 내지 S20). 대국 중 단말기(100)는 바둑서버(200)에 형세 판단을 요청할 수 있다(S21). 바둑서버(200)는 형세판단 모델 서버(400)에게 현재 바둑판 상태(S)에 대한 형세 판단을 요청할 수 있다(S22). 형세판단 모델 서버(400)는 현재 바둑판 상태(S)의 입력 특징을 추출하고, 딥러닝 모델인 형세 판단 모델(400a)이 입력 특징을 이용하여 형세값을 생성하고, 바둑판 상태(S)와 형세값을 이용하여 형세 판단을 수행할 수 있다(S23). 형세판단 모델 서버(400)는 형세 판단 결과를 바둑서버(200)에 제공할 수 있다(S24). 바둑서버(200)는 단말기(100)에 형세 판단 결과를 제공할 수 있다(S25).Referring to FIG. 16, the launching model server 300 is an artificial intelligence computer that trains the launching model, which is a deep learning model, by self-learning according to the Go rule so that the launching of Go can be performed in order to win the game in its own turn. Can be (s11). The Go server 200 may transmit a plurality of notations to the shape judgment model server 400. The form judgment model server 400 may generate a training data set. First, the form judgment model server 400 may extract input features from a checkerboard state (S) of a plurality of notations (S13). The form judgment model server 400 may generate a correct answer label by using the checkerboard state (S) from which the input features are extracted (S14). The situation determination model server 400 may train the situation determination model 400a using a training data set in which an input feature is used as input data and a correct answer label is used as target data (S15). The terminal 100 may request a game of Go from the Go server 200 against an artificial intelligence computer or against another user terminal (S16). When the terminal 100 requests a game of Go against the artificial intelligence computer, the Go server 200 may request the start model server 300 to initiate the game (S17). The Go server 200 progresses the Go game, and the terminal 100 and the start model server 300 may start on their own turn (S18 to S20). During the game, the terminal 100 may request the Go server 200 to determine the situation (S21). The Go server 200 may request the status judgment model server 400 to determine the status of the current board status (S) (S22). The layout judgment model server 400 extracts the input features of the current checkerboard state (S), the situation determination model 400a, which is a deep learning model, uses the input features to generate a status value, and the checkerboard status (S) and status The situation may be determined using the value (S23). The situation determination model server 400 may provide a result of the situation determination to the Go server 200 (S24). The Go server 200 may provide a result of determining the situation to the terminal 100 (S25).

도 17은 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법 중 형세 판단 방법이고, 도 18은 도 17의 형세 판단 방법 중 정답 레이블을 생성하기 위한 트레이닝 데이터의 전처리 방법이다.FIG. 17 is a method for determining a situation among the deep learning based Go game service methods according to an embodiment of the present invention, and FIG. 18 is a method for preprocessing training data for generating a correct answer label among the methods for determining the situation of FIG. 17.

도 17을 참조하면, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 형세판단 모델 서버(400)가 바둑서버(200)로부터 복수의 기보를 수신하는 단계(S100)를 포함할 수 있다. Referring to FIG. 17, the deep learning-based Go game service method according to an embodiment of the present invention may include a step (S100) of receiving a plurality of notations from the form judgment model server 400 from the Go server 200. have.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 형세판단 모델 서버(400)의 형세 판단 모델(400a) 중 입력 특징 추출부가 복수의 기보의 바둑판 상태(S)에서 입력 특징을 추출하는 단계(S200)를 포함할 수 있다. 입력 특징을 추출하는 방법은 도 7의 설명을 따른다.In the deep learning-based Go game service method according to an embodiment of the present invention, an input feature extraction unit extracts an input feature from a checkerboard state (S) of a plurality of notations among the situation determination model 400a of the form determination model server 400. It may include step S200. A method of extracting an input feature follows the description of FIG. 7.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 형세 판단 모델(400a) 중 정답 레이블 생성부가 입력 특징을 추출한 바둑판 상태(S)에 기초하여 정답 레이블을 생성하는 단계(S300)를 포함할 수 있다. 일 예로, 도 18을 참조하면, 정답 레이블 생성 단계(S300)는 정답 레이블 생성부가 현재 바둑판 상태(S)에서 끝내기 하는 제1 전처리하는 단계(S301)를 포함할 수 있다. 제1 전처리하는 단계(S301)는 도 9 내지 도 10의 설명을 따른다. 정답 레이블 생성 단계(S300)는 정답 레이블 생성부가 제1 전처리된 바둑판 상태(S)에서 불필요한 돌을 제거하는 제2 전처리하는 단계(S302)를 포함할 수 있다. 제2 전처리하는 단계(S302)는 도 9 내지 도 10의 설명을 따른다. 정답 레이블 생성 단계(S300)는 정답 레이블 생성부가 제2 전처리된 바둑판 상태(S)의 각 교차점을 형세값으로 변경하는 제3 전처리하는 단계(S303)를 포함할 수 있다. 제3 전처리하는 단계(S303)는 도 11의 설명을 따른다. 정답 레이블 생성 단계(S300)는 제3 전처리 상태를 정답 레이블로 하여 형세 판단 신경망에 타겟 데이터로 제공하는 단계(S303)를 포함할 수 있다. 타겟 데이터를 제공하는 단계(S301)는 도 7 및 도 11의 설명을 따른다.The deep learning-based Go game service method according to an embodiment of the present invention includes a step (S300) of generating a correct answer label based on a checkerboard state (S) in which the correct answer label generation unit extracts the input feature among the situation determination model 400a. can do. As an example, referring to FIG. 18, the step of generating a correct answer label (S300) may include a first pre-processing step (S301) in which the correct answer label generation unit ends in the current checkerboard state (S ). The first pre-processing step (S301) follows the description of FIGS. 9 to 10. The correct answer label generation step (S300) may include a second pre-processing step (S302) in which the correct answer label generator removes unnecessary stones in the first pre-processed checkerboard state (S). The second pre-processing step (S302) follows the description of FIGS. 9 to 10. The correct answer label generation step (S300) may include a third preprocessing step (S303) of changing each intersection point of the second preprocessed checkerboard state (S) into a position value by the correct answer label generation unit (S303). The third pre-processing step (S303) follows the description of FIG. 11. The step of generating the correct answer label (S300) may include a step (S303) of using the third preprocessed state as the correct answer label and providing the target data to the situation determination neural network. The step of providing target data (S301) follows the description of FIGS. 7 and 11.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 트레이닝 데이터 셋을 이용하여 형세 판단 모델(400a)의 형세 판단 신경망을 트레이닝하는 단계(S400)을 포함할 수 있다. 형세 판단 신경망을 트레이닝(학습)하는 방법은 도 7의 설명을 따른다.The deep learning-based Go game service method according to an embodiment of the present invention may include training a situation determination neural network of the situation determination model 400a using a training data set (S400). A method of training (learning) the situation determination neural network follows the description of FIG. 7.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 형세 판단 신경망의 트레이닝이 완료되어 형세 판단 모델(400a)을 구축하는 단계(S500)를 포함한다. 일 예로, 형세 판단 신경망의 트레이닝의 완료는 도 7의 형세 판단 손실이 소정의 값 이하가 된 경우일 수 있다.The deep learning-based Go game service method according to an embodiment of the present invention includes a step (S500) of constructing a situation determination model 400a after training of a situation determination neural network is completed. For example, the completion of the training of the situation determination neural network may be a case in which the loss of the situation determination in FIG. 7 becomes less than or equal to a predetermined value.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 단말기의 형세 판단 요청에 의해 현재 바둑판 상태(S)가 형세 판단 모델(400a)에 입력되는 단계(S600)를 포함할 수 있다. The deep learning-based Go game service method according to an embodiment of the present invention may include a step (S600) of inputting the current checkerboard state (S) into the situation determination model 400a in response to a situation determination request from the terminal.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 형세 판단 모델(400a)이 입력된 현재 바둑판 상태(S)의 형세 판단을 수행하는 단계(S700)를 포함할 수 있다. 형세 판단을 수행하는 단계(S700)는 도 12에서 설명한 형세 판단 모델(400a)이 현재 바둑판 상태(S)의 형세값을 생성하는 설명을 따를 수 있다.The deep learning-based Go game service method according to an embodiment of the present invention may include a step (S700) of determining the status of the current checkerboard state (S) in which the status determination model 400a is input. The operation S700 of performing the position determination may follow the description in which the position determination model 400a described in FIG. 12 generates a position value of the current checkerboard state S.

본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 형세판단 모델 서버(400)가 형세 판단 결과를 출력하는 단계(S800)를 포함할 수 있다. 형세 판단 결과를 출력하는 단계(S800)는 도 12에서 설명한 형세판단 모델 서버(400)가 형세값, 바둑판의 상태, 소정의 임계값을 이용하여 형세 판단 결과를 제공하는 설명을 따를 수 있다. The deep learning-based Go game service method according to an embodiment of the present invention may include the step S800 of outputting a situation determination result by the situation determination model server 400. The step of outputting the position determination result (S800) may follow the description in which the position determination model server 400 described in FIG. 12 provides the position determination result using the position value, the state of the board, and a predetermined threshold value.

따라서, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 딥러닝 신경망을 이용하여 바둑 형세를 판단할 수 있다. 또한, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 바둑 규칙에 따른 집, 사석, 돌, 공배, 빅을 정확히 구분하여 바둑의 형세를 정확히 판단할 수 있다. 또한, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 바둑 규칙에 따른 집, 사석, 돌, 공배, 빅을 예측하여 바둑의 형세를 정확히 판단할 수 있다. 또한, 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 방법은 바둑 대국 중 신속하게 형세를 판단할 수 있다.Accordingly, the deep learning-based Go game service method according to the embodiment may determine the status of Go by using a deep learning neural network. In addition, the deep learning-based Go game service method according to the embodiment can accurately determine the status of Go by accurately classifying houses, sandstones, stones, gongbae, and big according to the Go rule. In addition, the deep learning-based Go game service method according to the embodiment may accurately determine the situation of Go by predicting houses, sandstones, stones, gongbae, and big according to the Go rule. In addition, the deep learning-based Go game service method according to the embodiment can quickly determine the status of the Go game.

- 착수효용 판단부 -Initiation utility judgment unit

본 발명의 실시예에 따른 착수효용 판단부(400b)는, 의미 없는 착수를 회피할 수 있도록 한다. 여기서 효용성 판단은 착수 모델에 의해 예측된 최선의 수인 선결 착수점이 유의미한 수인지 판단하는 것이다. 즉, 착수효용 판단부(400b)는 형세 판단 모델(400a)과 연동하여 효용성 판단을 수행해 착수 모델 서버(300)가 최선의 착수를 수행하게 할 수 있다. 예를 들어, 착수 모델 서버(300)는 착수효용 판단부(400b)의 특정 선결 착수점에 대한 효용성 판단을 통하여 해당 특정 선결 착수점이 의미 없는 수라고 판단된 경우, 해당 특정 선결 착수점에 대한 착수를 회피할 수 있다. 여기서, 의미 없는 수는 가일수가 아닌 수와 같은 무의미한 수를 의미할 수 있고, 예컨대 도 19와 같이 상대 집에 사석을 두거나 또는 자기 집을 메우는 경우의 수 등일 수 있다. 반대로, 착수 모델 서버(300)는 해당 특정 선결 착수점이 유의미한 수라고 판단된 경우 해당 특정 선결 착수점에 대한 착수를 수행할 수 있다. 여기서 유의미한 수는 가일수를 의미할 수 있으며, 예컨대 모양이 완전히 정리되지 않은 곳에 보강하는 수, 자신의 모양을 지키기 위해 한 수 더 두는 수 등일 수 있다. The launching utility determination unit 400b according to an embodiment of the present invention allows the meaningless undertaking to be avoided. Here, the determination of the effectiveness is to determine whether the number of first-line starting points, which is the best number predicted by the initiating model, is a significant number. That is, the launch utility determination unit 400b may perform the utility determination in conjunction with the situation determination model 400a to allow the launch model server 300 to perform the best launch. For example, when the launching model server 300 determines that the specific pre-determined starting point is a meaningless number through the utility determination for a specific pre-determined starting point by the entrant utility determination unit 400b, Can be avoided. Here, the meaningless number may mean an insignificant number such as a number that is not a temporary number, and may be, for example, a number of cases in which private stones are placed in the other's house or their own house is filled as shown in FIG. Conversely, when it is determined that the specific preemptive start point is a significant number, the start model server 300 may initiate the specific preemptive start point. Here, the meaningful number may mean a false number, for example, a number to reinforce a place where the shape is not completely arranged, a number to add one more number to protect one's shape, and the like.

자세히, 착수효용 판단부(400b)는 바둑 대국의 끝내기 시에 유의미한 수를 효과적으로 도출할 수 있다. 일반적으로, 바둑 대국에서 끝내기를 수행할 때 공배가 없을 경우 최선의 유의미한 수 즉, 최선의 가일수를 판단하는 것은 경기의 승패에 있어 매우 중요한 요소이다. 그러므로 본 발명의 실시예에 따른 착수효용 판단부(400b)는, 형세 판단 모델(400a)과 연동하여 바둑 대국의 끝내기 시 바둑판에 공배가 있는지 여부를 판단하고, 해당 바둑판 상태(S)에 공배가 없을 경우 최선의 가일수를 판별하여 착수함으로써 의미 없는 수를 회피할 수 있다. In detail, the starting utility determination unit 400b can effectively derive a significant number at the end of the game of Go. In general, when performing a finish in a Go game, determining the best meaningful number, that is, the best number of days, is a very important factor in winning or losing a game. Therefore, the launch utility determination unit 400b according to an embodiment of the present invention determines whether or not there is a gongbae in the checkerboard at the end of the Go game by interlocking with the situation determination model 400a, and a common multiplication in the checkerboard state (S) If not, you can avoid meaningless numbers by determining and undertaking the best false days.

보다 상세히, 먼저 형세 판단 모델(400a)은 착수 모델 서버(300)로부터 선결 착수점 정보를 입력 데이터로 획득할 수 있다. 즉, 착수 모델 서버(300)에서 신경망과 MCTS를 기반으로 도출된 착수점 정보를 수신할 수 있다. 또한, 형세 판단 모델(400a)은 입력 데이터로 수신된 선결 착수점 정보에 기초하여 해당 바둑판 상태(S)의 공배 유무를 판단할 수 있다. 그리고 착수효용 판단부(400b)는, 형세 판단 모델(400a)을 통해 판단된 공배의 유무를 기반으로 공배가 없는 상황에서의 의미 없는 수 즉, 가일수가 아닌 수를 판단할 수 있고, 이를 통해 착수효용 판단정보를 생성할 수 있다. 여기서, 착수효용 판단정보는 착수 모델 서버(300)로부터 획득된 선결 착수점에 대한 효용성 판단을 수행하여 도출된 정보일 수 있다. 즉 착수효용 판단정보는, 입력 데이터로 수신된 선결 착수점이 유의미한 수(즉, 가일수)인지 의미 없는 수(즉, 가일수가 아닌 수)인지 판별한 결과 정보를 의미할 수 있다. 그리고 착수효용 판단부(400b)를 통해 착수효용 판단정보를 생성한 형세판단 모델 서버(400)는 생성된 착수효용 판단정보를 착수 모델 서버(300)로 제공할 수 있다. In more detail, first, the situation determination model 400a may obtain information on the first decision starting point from the starting model server 300 as input data. That is, the starting point information derived based on the neural network and the MCTS may be received from the starting model server 300. In addition, the situation determination model 400a may determine whether or not the checkerboard state S is common based on the information on the first decision starting point received as input data. In addition, the starting utility determination unit 400b may determine a meaningless number in a situation where there is no public pleasant, that is, a number other than the number of days, based on the presence or absence of a common pleas determined through the situation determination model 400a, and initiated through this Can generate utility judgment information. Here, the starting utility determination information may be information derived by performing a utility determination on the pre-determined starting point obtained from the starting model server 300. That is, the starting utility determination information may refer to information as a result of determining whether a pre-determined starting point received as input data is a significant number (ie, false days) or a meaningless number (ie, not false days). In addition, the status determination model server 400 that has generated the launch utility determination information through the launch utility determination unit 400b may provide the generated launch utility determination information to the launch model server 300.

한편, 도 20는 본 발명의 형세판단 모델 서버(400)의 착수효용 판단부(400b) 구조를 설명하기 위한 도면이다. 도 20를 참조하면 위와 같은 효용성 판단을 위한 일련의 동작을 수행하기 위하여 형세판단 모델 서버(400)는, 위에서 기술한 형세 판단 모델(400a)과 착수효용 판단부(400b)를 포함할 수 있고, 형세 판단 모델(400a)과 착수효용 판단부(400b)를 상호 연동하여 동작하게 할 수 있다. 즉, 형세판단 모델 서버(400)의 착수효용 판단부(400b)는 본 발명의 실시예에 따라서 형세 판단 모델(400a)과 연동하여 바둑판 상태(S)의 형세를 판단해 의미 없는 착수를 회피하는 프로세스를 구현하기 위한 일 구성요소일 수 있다. 이에 대한 자세한 설명은 이하의 딥러닝을 기반으로 의미 없는 착수를 회피하는 방법의 상세한 설명에서 후술하기로 한다. 또한, 본 실시예에서는 착수효용 판단부(400b)가 형세판단 모델 서버(400)에 포함된다고 설명하나 다른 실시예에서는 착수효용 판단부(400b)가 바둑서버(200) 및/또는 착수 모델 서버(300)에 포함되거나 별도의 장치로 구현되는 등 다양한 실시예가 가능할 것이다. On the other hand, Figure 20 is a view for explaining the structure of the launch utility determination unit (400b) of the situation judgment model server 400 of the present invention. Referring to FIG. 20, in order to perform a series of operations for determining the effectiveness as described above, the situation determination model server 400 may include the situation determination model 400a and the launch utility determination unit 400b described above, The situation determination model 400a and the launch utility determination unit 400b may be interworked with each other to operate. That is, the launching utility determination unit 400b of the situation judgment model server 400 determines the status of the checkerboard state S in conjunction with the situation judgment model 400a according to an embodiment of the present invention to avoid meaningless undertaking. It may be a component for implementing the process. A detailed description of this will be described later in the detailed description of a method of avoiding meaningless undertaking based on deep learning below. In addition, in the present embodiment, it is described that the launch utility determination unit 400b is included in the status determination model server 400, but in another embodiment, the launch utility determination unit 400b is the Go server 200 and/or the launch model server ( 300) or implemented as a separate device may be various embodiments.

- 딥러닝을 기반으로 의미 없는 착수를 회피하는 방법 -A way to avoid meaningless undertakings based on deep learning

이하, 도면을 참조하여 딥러닝 신경망에 기초해 바둑 형세를 판단하고 의미 없는 착수를 회피하는 바둑 게임 서비스 제공방법에 대해 상세히 설명하고자 한다. Hereinafter, a method of providing a Go game service that determines the status of Go based on a deep learning neural network and avoids a meaningless start will be described in detail with reference to the drawings.

도 21은 본 발명의 실시예에 따른 형세판단 모델 서버(400)가 딥러닝 신경망에 기초하여 바둑 형세를 판단해 의미 없는 착수를 회피하는 방법을 설명하기 위한 흐름도이다. 21 is a flowchart illustrating a method of avoiding a meaningless undertaking by determining the situation of Go by the situation determination model server 400 according to an embodiment of the present invention based on a deep learning neural network.

도 21을 참조하면, 형세판단 모델 서버(400)는 먼저 선결 착수점 정보를 획득하는 단계(S101)를 포함할 수 있다. 자세히, 형세판단 모델 서버(400)는 바둑 대국의 끝내기 시 착수 모델 서버(300)로부터 바둑판 상태(S)에 기반한 선결 착수점 정보를 획득하여 착수효용 판단부(400b)의 입력 데이터로 이용할 수 있다. Referring to FIG. 21, the shape determination model server 400 may include a step S101 of first acquiring information about a first decision starting point. In detail, the situation judgment model server 400 may obtain information on the pre-determined starting point based on the checkerboard state (S) from the starting model server 300 at the end of the game of Go, and used as input data of the starting utility determination unit 400b. .

또한, 형세판단 모델 서버(400)는 바둑판 상태(S)에 대한 공배 유무를 판단하는 단계(S103)를 포함할 수 있다. 자세히, 형세판단 모델 서버(400)는 형세 판단 모델(400a)에 의한 형세 판단을 통해 도출된 공배유무 정보에 기초하여, 입력 데이터로 수신된 선결 착수점에 대한 도출의 기반이 되는 바둑판 상태(S)에 공배가 존재하는지 파악할 수 있다. In addition, the form judgment model server 400 may include a step (S103) of determining whether there is a common distribution for the checkerboard state (S). In detail, the situation judgment model server 400 is a checkerboard state that is the basis for derivation of the preemptive starting point received as input data based on the information on whether or not shared distribution is derived through the situation determination by the situation determination model 400a. ), you can find out if there is a communion.

계속해서, 형세판단 모델 서버(400)는 판단된 공배 유무를 기반으로 가일수 여부를 판단하여 착수효용 판단정보를 생성하는 단계(S105)를 포함할 수 있다. 여기서, 가일수 여부는 착수 모델로부터 수신된 선결 착수점이 가일수인지를 판단하는 것으로서, 이를 통해 해당 선결 착수점이 유의미한 수(즉, 가일수)인지를 판단할 수 있다. Subsequently, the situation judgment model server 400 may include a step (S105) of determining whether or not the number of days is false based on the determined common distribution, and generating information on the starting utility. Here, whether or not the number of days is false is to determine whether the number of days to be pre-empted received from the initiation model, and through this, it is possible to determine whether the number of days to be pre-determined is a significant number (ie, number of days).

일반적으로 바둑 대국의 끝내기 시에 공배가 없을 경우 최선의 가일수를 판단하는 것은 매우 중요하므로, 본 실시예에서 형세판단 모델 서버(400)는 공배유무 정보에 기반하여 공배가 없다고 판단된 경우, 수신된 선결 착수점에 대한 가일수 여부 판단을 수행할 수 있다. 다만, 다른 실시예에서는 선결 착수점이 획득되면 공배유무에 관계없이 가일수 여부를 판단하는 등 다양한 실시예 또한 가능할 수 있다. In general, it is very important to determine the best number of days when there is no public distribution at the end of the game of Go, so in the present embodiment, the situation judgment model server 400 determines that there is no public distribution based on the information on whether or not there is a common distribution. It is possible to determine whether or not the number of days for the preemptive starting point that has been established. However, in other embodiments, various embodiments may also be possible, such as determining whether or not the number of days is false regardless of whether or not a preemptive starting point is obtained.

자세히, 형세판단 모델 서버(400)는 착수효용 판단부(400b)를 통하여 바둑판 상태(S)에 공배가 없을 경우 선결 착수점에 대한 가일수 여부를 판단할 수 있고, 이를 기반으로 착수효용 판단정보를 생성할 수 있다. 이때, 형세판단 모델 서버(400)는 선결 착수점에 대한 가일수 여부의 판단을 위하여 선결 착수점에 대한 바둑돌의 착수에 따른 플레이어(player)의 점수 및/또는 오포넌트(opponent)의 점수를 산출해 활용할 수 있다. 이때, 산출되는 플레이어 점수 및/또는 오포넌트 점수는 상호 상대적으로 작용하는 소정의 수치일 수 있다. In detail, the situation judgment model server 400 can determine whether or not the number of days for a pre-determined starting point is determined through the starting utility determination unit 400b when there is no common distribution in the checkerboard state (S), and based on this, the starting utility determination information Can be created. At this time, the situation judgment model server 400 calculates the score of the player and/or the score of the opponent according to the start of the Go stone for the first starting point in order to determine whether the number of days for the first starting point is determined. I can use it. In this case, the calculated player score and/or oponant score may be predetermined values that interact with each other.

도 22는 본 발명의 실시예에 따른 형세판단 모델 서버(400)가 가일수 여부를 기반으로 착수효용 판단정보를 생성하는 방법을 설명하기 위한 도면이다. 이때 도 22는 효과적인 설명을 위하여 플레이어가 백 바둑돌을 이용하고, 오포넌트가 흑 바둑돌을 이용하는 것으로 한정되어 표시될 수 있다. 그러나 실시예에 따라서 플레이어가 흑 바둑돌을 이용하고 오포넌트가 백 바둑돌을 이용할 수도 있음은 자명할 것이다. 22 is a view for explaining a method of generating initiation utility determination information based on whether or not the situation determination model server 400 according to an embodiment of the present invention. In this case, for effective explanation, FIG. 22 may be displayed limited to that the player uses white go stones and the oponants use black go stones. However, it will be apparent that according to an embodiment, a player may use a black go stone and an oponant may use a white go stone.

도 22를 참조하면, 실시예에서 형세판단 모델 서버(400)는 착수효용 판단정보를 생성하기 위하여 선결 착수점에 대한 바둑돌 착수에 따른 플레이어 점수 및 오포넌트 점수를 산출할 수 있다. 자세히, 먼저 형세판단 모델 서버(400)는 1) 선결 착수점에 플레이어 바둑돌(도시 상의 백돌)이 착수된 경우, 플레이어 점수를 산출할 수 있다. 실시예에서 플레이어 점수 산출 시 형세판단 모델 서버(400)는, 플레이어 집 수가 증가하는 경우 및/또는 오포넌트 집 수가 감소하는 경우 플레이어 점수에 소정의 점수값을 가산할 수 있다. 예를 들어, 형세판단 모델 서버(400)는 선결 착수점에 플레이어 바둑돌이 착수되어 플레이어 집 수가 증가하거나 오포넌트 집 수가 감소한 경우, 증가 또는 감소한 1집 당 +1의 가산을 수행하도록 소정의 점수값이 설정될 수 있다. Referring to FIG. 22, in an embodiment, the situation judgment model server 400 may calculate a player score and an oponant score according to the start of a game for a first starting point in order to generate starting utility determination information. In detail, first, the situation judgment model server 400 may calculate a player score when 1) a player's go stone (a white stone in the city) is launched at the first starting point. In the embodiment, when calculating the player score, the situation determination model server 400 may add a predetermined score value to the player score when the number of player houses increases and/or the number of owner houses decreases. For example, the situation judgment model server 400 is a predetermined score value to perform the addition of +1 per each increase or decrease when the number of player houses increases or the number of oponant houses decreases due to the start of player Go at the starting point. Can be set.

또한, 형세판단 모델 서버(400)는 플레이어 집 수가 감소하는 경우 및/또는 오포넌트 집 수가 증가하는 경우 플레이어 점수에 소정의 점수값을 감산할 수 있다. 예를 들어, 형세판단 모델 서버(400)는 선결 착수점에 플레이어 바둑돌이 착수되어 플레이어 집 수가 감소하거나 오포넌트 집 수가 증가한 경우, 감소 또는 증가한 1집 당 -1의 감산을 수행하도록 소정의 점수값이 설정될 수 있다. In addition, the situation judgment model server 400 may subtract a predetermined score value from the player score when the number of player houses decreases and/or the number of owner houses increases. For example, the situation judgment model server 400 is a predetermined score value so as to perform a subtraction of -1 per each decreased or increased when the number of player houses decreases or the number of oponants increases due to the player's Go stone being launched at the preliminary starting point. Can be set.

예컨대, 형세판단 모델 서버(400)는 도 22와 같이 선결 착수점에 플레이어 바둑돌이 착수되어 오포넌트 집 수가 1집 증가한 경우, 플레이어 점수를 -1 감산할 수 있다. 다른 예에서 형세판단 모델 서버(400)는 선결 착수점에 플레이어 바둑돌의 착수 시 플레이어 집 수가 3집 증가한 경우, 플레이어 점수를 +3 가산할 수 있다. For example, as shown in FIG. 22, when the player's Go is started at the starting point and the number of oponants increases by one, the player score may be subtracted by -1. In another example, the situation judgment model server 400 may add 3 player points to the player's score when the number of player houses increases by 3 when the player starts at the starting point.

또한, 형세판단 모델 서버(400)는 2) 선결 착수점에 오포넌트 바둑돌(도시 상의 흑돌)이 착수된 경우, 오포넌트 점수를 산출할 수 있다. 자세히, 실시예에서 오포넌트 점수 산출 시 형세판단 모델 서버(400)는 오포넌트 집 수가 증가하는 경우 및/또는 플레이어 집 수가 감소하는 경우 오포넌트 점수에 소정의 점수값을 가산할 수 있다. 예를 들면, 형세판단 모델 서버(400)는 선결 착수점에 오포넌트 바둑돌이 착수되어 오포넌트 집 수가 증가하거나 플레이어 집 수가 감소하는 경우, 증가 또는 감소한 1집 당 +1의 가산을 수행하게 소정의 점수값이 기설정될 수 있다. In addition, the situation judgment model server 400 may calculate 2) an oponant score when an oponant go stone (a black stone in the city) is launched at the pre-determined starting point. In detail, in an embodiment, when calculating the offense score, the situation determination model server 400 may add a predetermined score to the offant score when the number of offant houses increases and/or the number of player houses decreases. For example, the situation judgment model server 400 is determined to perform an addition of +1 per each increase or decrease when the number of offenses is increased or the number of player houses decreases due to the start of an offense go at a preliminary starting point. The score value may be preset.

또한, 형세판단 모델 서버(400)는 오포넌트 집 수가 감소하는 경우 및/또는 플레이어 집 수가 증가하는 경우 오포넌트 점수에 소정의 점수값을 감산할 수 있다. 예를 들어, 형세판단 모델 서버(400)는 선결 착수점에 오포넌트 바둑돌이 착수되어 오포넌트 집 수가 감소하거나 플레이어 집 수가 증가한 경우, 감소 또는 증가한 1집 당 -1의 감산을 수행하도록 소정의 점수값이 설정될 수 있다. In addition, the situation judgment model server 400 may subtract a predetermined score value from the oponant score when the number of owner houses decreases and/or the number of player houses increases. For example, the situation judgment model server 400 is a predetermined score so as to perform a subtraction of -1 per one of the decreases or increases when the number of offenses decreases or the number of player houses increases due to the launch of an offense go at a preliminary starting point. Value can be set.

예를 들어, 형세판단 모델 서버(400)는 도 22와 같이 선결 착수점에 오포넌트 바둑돌이 착수되어 오포넌트 집 수가 12집 증가하고 플레이어 집 수가 9집 감소한 경우, 오포넌트 점수를 +21(즉, 12+9=21) 가산할 수 있다. 다른 예에서 형세판단 모델 서버(400)는 선결 착수점에 플레이어 바둑돌의 착수 시 오포넌트 집 수가 1집 감소한 경우, 오포넌트 점수를 -1 감산할 수 있다. For example, as shown in FIG. 22, when the Offenant Go stone is initiated at the preliminary starting point and the number of Offenant houses increases by 12 and the number of player houses decreases by 9, the status judgment model server 400 increases the offense score by +21 (that is, , 12+9=21) can be added. In another example, the situation determination model server 400 may subtract the oponant score by -1 when the number of oponant houses decreases by one when the player starts the player's Go at the starting point.

이와 같이, 플레이어 점수 및 오포넌트 점수를 산출한 형세판단 모델 서버(400)는 3) 산출된 플레이어 점수 및 오포넌트 점수를 기반으로 가일수 수치를 산출할 수 있다. 여기서 가일수 수치는 형세판단 모델 서버(400)가 선결 착수점이 유의미한 수(가일수)인지 판단하기 위하여 소정의 임계치와 비교하기 위해 생성하는 데이터일 수 있다. In this way, the situation determination model server 400 that calculates the player score and the oponant score may calculate the number of days based on the 3) calculated player score and the oponant score. Here, the number of temporary days may be data generated by the situation judgment model server 400 to compare with a predetermined threshold in order to determine whether the pre-determined starting point is a significant number (number of days).

자세히, 가일수 수치를 산출하기 위하여 먼저 형세판단 모델 서버(400)는 합산 플레이어 점수 및 합산 오포넌트 점수를 획득할 수 있다. 보다 상세히, 형세판단 모델 서버(400)는 플레이어 바둑돌이 착수된 경우 산출된 플레이어 점수와 오포넌트 바둑돌이 착수된 경우 산출된 플레이어 점수를 합산하여 합산 플레이어 점수를 산출할 수 있다. 또한, 형세판단 모델 서버(400)는 플레이어 바둑돌이 착수된 경우의 오포넌트 점수와 오포넌트 바둑돌이 착수된 경우의 오포넌트 점수를 합산하여 합산 오포넌트 점수를 산출할 수 있다. 그리고 형세판단 모델 서버(400)는 합산 플레이어 점수 및 합산 오포넌트 점수를 합산하여 최종적으로 산출되는 점수값인 가일수 수치를 획득할 수 있다. 즉, 가일수 수치는 합산된 플레이어 점수와 오포넌트 점수를 기반으로 생성되는 가일수 여부의 판단을 위한 소정의 데이터일 수 있다. In detail, in order to calculate the number of days, the situation determination model server 400 may first obtain the summed player score and the summed oponant score. In more detail, the situation judgment model server 400 may calculate a summed player score by summing the player score calculated when the player Go is started and the player score calculated when the Offenant Go is started. In addition, the situation judgment model server 400 may calculate a summed oponant score by summing the oponant score when the player Go is initiated and the oponant score when the oponant Go is started. In addition, the situation judgment model server 400 may obtain a number of days, which is a score value that is finally calculated by summing the combined player score and the combined oponant score. That is, the number of false days may be predetermined data for determining whether the number of false days is generated based on the summed player score and the offer score.

계속해서, 가일수 수치를 산출한 형세판단 모델 서버(400)는 4) 산출된 가일수 수치를 기반으로 가일수 여부를 판단하여 착수효용 판단정보를 생성할 수 있다. 예를 들어, 형세판단 모델 서버(400)는 산출된 가일수 수치가 소정의 임계치보다 높은 경우(예컨대, '0' 보다 큰 경우 등) 해당 가일수 수치가 도출된 선결 착수점을 유의미한 수(가일수)로 판단할 수 있다. 그리고 형세판단 모델 서버(400)는 해당 선결 착수점에 대한 착수를 유의미한 것으로 판단한 정보인 착수적합 정보를 포함하는 착수효용 판단정보를 생성할 수 있다. 반면, 형세판단 모델 서버(400)는 산출된 가일수 수치가 소정의 임계치보다 낮은 경우(예컨대, '0' 보다 작은 경우 등) 해당 가일수 수치가 도출된 선결 착수점을 무의미한 수(가일수가 아닌 수)로 판단할 수 있다. 그리고 형세판단 모델 서버(400)는 해당 선결 착수점에 대한 착수를 무의미한 것으로 판단한 정보인 착수패스 정보를 포함하는 착수효용 판단정보를 생성할 수 있다. Subsequently, the situation determination model server 400 that calculated the number of temporary days may 4) determine whether or not the number of temporary days is based on the calculated value of the number of temporary days, thereby generating initiation utility determination information. For example, when the calculated false days number is higher than a predetermined threshold (for example, if it is greater than '0'), the situation judgment model server 400 determines the number of preliminary starting points from which the corresponding false days number is derived. Can be judged by number). In addition, the status judgment model server 400 may generate launching utility determination information including launching suitability information, which is information that determines that launching for a corresponding pre-determined launching point is meaningful. On the other hand, when the calculated false days number is lower than a predetermined threshold (for example, if it is smaller than '0'), the preliminary starting point from which the corresponding false days number is derived is an insignificant number (not the number of false days). Can be judged by number). In addition, the status judgment model server 400 may generate initiation utility determination information including initiation pass information, which is information that determines that the initiation for a corresponding preliminary starting point is meaningless.

한편, 다른 실시예에서 형세판단 모델 서버(400)는 선결 착수점에 대한 바둑돌 착수에 따른 플레이어 점수만을 산출하여 착수효용 판단정보를 생성할 수도 있다. 자세히, 형세판단 모델 서버(400)는 1) 선결 착수점에 선결 착수점에 플레이어 바둑돌이 착수된 경우의 플레이어 점수를 산출할 수 있다. 실시예로 플레이어 점수 산출 시 형세판단 모델 서버(400)는, 플레이어 집 수가 증가하는 경우 및/또는 오포넌트 집 수가 감소하는 경우 플레이어 점수에 소정의 점수값을 가산할 수 있고, 플레이어 집 수가 감소하는 경우 및/또는 오포넌트 집 수가 증가하는 경우 플레이어 점수에 소정의 점수값을 감산할 수 있다. On the other hand, in another embodiment, the situation determination model server 400 may generate the starting utility determination information by calculating only the player score according to the starting of the Go to the first starting point. In detail, the situation judgment model server 400 may calculate a player score in the case where 1) the player's Go is started at the first starting point and the first starting point. In an embodiment, when calculating the player score, the model server 400 for determining the situation may add a predetermined score to the player score when the number of player houses increases and/or the number of owner houses decreases, and the number of player houses decreases. A predetermined score value may be subtracted from the player score when the number of cases and/or the number of owner houses increases.

그리고 형세판단 모델 서버(400)는 2) 산출된 플레이어 점수에 기반하여 착수효용 판단정보를 생성할 수 있다. 자세히 형세판단 모델 서버(400)는 산출된 플레이어 점수를 소정의 임계치와 비교하여 가일수 여부를 판단할 수 있다. 예를 들어, 형세판단 모델 서버(400)는 플레이어 점수가 소정의 임계치보다 높은 경우(예컨대, '0' 보다 큰 경우 등) 해당 플레이어 점수가 도출된 선결 착수점을 유의미한 수(가일수)로 판단할 수 있다. 그리고 형세판단 모델 서버(400)는 해당 선결 착수점에 대한 착수를 유의미한 것으로 판단한 정보인 착수적합 정보를 포함하는 착수효용 판단정보를 생성할 수 있다. 반면, 형세판단 모델 서버(400)는 산출된 플레이어 점수가 소정의 임계치보다 낮은 경우(예컨대, '0' 보다 작은 경우 등) 해당 플레이어 점수가 도출된 선결 착수점을 무의미한 수(가일수가 아닌 수)로 판단할 수 있다. 그리고 형세판단 모델 서버(400)는 해당 선결 착수점에 대한 착수를 무의미한 것으로 판단한 정보인 착수패스 정보를 포함하는 착수효용 판단정보를 생성할 수 있다. In addition, the form judgment model server 400 may 2) generate initiation utility determination information based on the calculated player score. In detail, the form judgment model server 400 may determine whether the number of days is false by comparing the calculated player score with a predetermined threshold. For example, when the player score is higher than a predetermined threshold (for example, when it is greater than '0'), the situation judgment model server 400 determines the first starting point from which the player score is derived as a significant number (number of days). can do. In addition, the status judgment model server 400 may generate launching utility determination information including launching suitability information, which is information that determines that launching for a corresponding pre-determined launching point is meaningful. On the other hand, when the calculated player score is lower than a predetermined threshold (for example, when it is less than '0'), the situation judgment model server 400 determines the number of preliminary starting points from which the corresponding player score is derived (a number that is not a number of days). It can be judged as. In addition, the status judgment model server 400 may generate initiation utility determination information including initiation pass information, which is information that determines that the initiation for a corresponding preliminary starting point is meaningless.

이때, 또 다른 실시예에서 형세판단 모델 서버(400)는 산출된 플레이어 점수가 소정의 임계치보다 낮은 경우(예컨대, '0' 보다 작은 경우 등), 오포넌트 점수를 산출할 수도 있다. 자세히, 형세판단 모델 서버(400)는 선결 착수점에 플레이어 바둑돌이 착수되어 산출된 플레이어 점수가 소정의 임계치보다 낮은 경우에 선결 착수점에 오포넌트 바둑돌이 착수되어 산출되는 오포넌트 점수를 산출할 수 있다. 실시예로 오포넌트 점수 산출 시 형세판단 모델 서버(400)는, 오포넌트 집 수가 증가하는 경우 및/또는 플레이어 집 수가 감소하는 경우 오포넌트 점수에 소정의 점수값을 가산할 수 있고, 오포넌트 집 수가 감소하는 경우 및/또는 플레이어 집 수가 증가하는 경우 오포넌트 점수에 소정의 점수값을 감산할 수 있다. In this case, in another embodiment, when the calculated player score is lower than a predetermined threshold (eg, less than 0), the oponant score may be calculated. In detail, the situation judgment model server 400 may calculate an oponant score calculated by launching an oponant Go at the first starting point when the calculated player score is lower than a predetermined threshold. have. In an embodiment, when calculating the offense score, the status judgment model server 400 may add a predetermined score to the offant score when the number of offant houses increases and/or the number of player houses decreases. When the number decreases and/or the number of player houses increases, a predetermined score value may be subtracted from the oponant score.

그리고 형세판단 모델 서버(400)는 산출된 오포넌트 점수에 기반하여 착수효용 판단정보를 생성할 수 있다. 자세히, 형세판단 모델 서버(400)는 산출된 오포넌트 점수를 소정의 임계치와 비교하여 가일수 여부를 판단할 수 있다. 예를 들어, 형세판단 모델 서버(400)는 오포넌트 점수가 소정의 임계치보다 높은 경우(예컨대, '10' 보다 큰 경우 등) 해당 오포넌트 점수가 도출된 선결 착수점이 '방어수'로서 유의미한 수(가일수)라고 판단할 수 있다. 이는 해당 선결 착수점에 플레이어가 착수를 수행한 경우 낮아지는 플레이어 점수값의 크기와, 해당 선결 착수점에 오포넌트가 착수를 수행할 경우 높아지는 오포넌트 점수값의 크기를 비교했을 때, 오포넌트의 착수를 방어하는 것이 더 유리할 경우를 대비하여 수행되는 동작일 수 있다. 계속해서, 형세판단 모델 서버(400)는 가일수라고 판단된 선결 착수점에 대한 착수를 유의미한 것으로 판단한 정보인 착수적합 정보를 생성할 수 있고, 이를 포함하는 착수효용 판단정보를 생성할 수 있다. In addition, the status judgment model server 400 may generate the starting utility judgment information based on the calculated oponant score. In detail, the shape judgment model server 400 may determine whether or not the number of days is false by comparing the calculated oponant score with a predetermined threshold. For example, when the opposition score is higher than a predetermined threshold (e.g., when it is greater than '10'), the preliminary starting point from which the oponant score is derived is a significant number as'defence'. It can be judged as (Gailsu). This is when comparing the size of the player's score value that decreases when the player initiates at the first starting point, and the size of the oponant score that increases when the oponant starts at the corresponding starting point. It may be an action performed in case it is more advantageous to defend the initiation. Subsequently, the situation judgment model server 400 may generate launching suitability information, which is information that determines that the launch of the pre-determined launching point determined to be meaningful, and can generate launching utility determination information including this.

이와 같이, 형세판단 모델 서버(400)는 착수 모델 서버(300)로부터 획득되는 특정 착수점에 대한 정보를 기반으로 형세를 판단하고, 특정 착수점에 대한 가일수 여부를 판단해 의미 없는 수를 구분함으로써, 바둑 대국 시의 무의미한 착수에 대한 회피 능력을 증진시킴과 동시에 승률을 향상시킬 수 있다. In this way, the situation determination model server 400 determines the situation based on information on a specific starting point obtained from the starting model server 300, and determines whether or not the number of days for a specific starting point is to be determined to classify a meaningless number. By doing so, it is possible to improve the win rate while improving the avoidance ability against meaningless start during a game of Go.

다음으로, 착수효용 판단정보를 생성한 형세판단 모델 서버(400)는 생성된 착수효용 판단정보를 송신하는 단계(S107)를 포함할 수 있다. 자세히, 형세판단 모델 서버(400)는 생성된 착수효용 판단정보를 착수 모델 서버(300)로 송신할 수 있다. 그리고 착수효용 판단정보를 수신한 착수 모델 서버(300)는, 착수 결정부(340)를 통하여 착수효용 판단정보가 착수적합 정보를 포함하는 경우, 해당 선결 착수점에 대한 착수가 적합하다고 판단할 수 있고 해당 선결 착수점에 대한 착수를 수행할 수 있다. 반대로, 착수 모델 서버(300)는 수신된 착수효용 판단정보가 착수패스 정보를 포함하는 경우, 해당 선결 착수점에 대한 착수가 부적합하다고 판단할 수 있고 해당 선결 착수점에 대한 착수를 패스하거나 해당 선결 착수점 다음으로 최고의 수라고 판단되는 후행 선결 착수점을 착수 신경망(330)을 통해 도출할 수 있다. Next, the situation determination model server 400 that generated the starting utility determination information may include a step (S107) of transmitting the generated embarkation utility determination information. In detail, the status judgment model server 400 may transmit the generated launching utility determination information to the launching model server 300. And the launching model server 300 that has received the launching utility determination information, when the launching utility determination information includes launching suitability information through the launching determination unit 340, it can be determined that the launching of the pre-determined launching point is appropriate. There is, and it is possible to carry out the initiation for the first starting point. On the contrary, when the received embarkation utility determination information includes embarkation pass information, the embarkation model server 300 may determine that the embarkation for the first starting point is inappropriate and pass the embarkation for the first starting point or It is possible to derive through the initiation neural network 330 a trailing, preemptive starting point determined to be the highest number after the starting point.

다시 돌아와서, 착수효용 판단정보를 착수 모델 서버(300)로 송신한 형세판단 모델 서버(400)는, 이후 특정 착수점에 대한 효용성 판단 동작을 반복하여 수행하는 단계(S109)를 포함할 수 있다. 자세히, 형세판단 모델 서버(400)는 착수효용 판단정보를 수신한 착수 모델 서버(300)로부터 후행 선결 착수점이 도출된 경우, 도출된 후행 선결 착수점 정보를 착수 모델 서버(300)로부터 획득할 수 있다. 그리고 형세판단 모델 서버(400)는 획득된 후행 선결 착수점 정보에 기반하여 착수효용 판단정보의 생성을 위한 일련의 동작을 반복적으로 수행할 수 있다. 이때, 형세판단 모델 서버(400)는 후행 선결 착수점 정보를 수신할 때마다 공배유무 정보를 함께 업데이트(update)할 수 있으며, 바둑판 상태(S)에 대한 공배 유무를 판단하는 일련의 동작 또한 반복적으로 수행할 수 있다. Returning again, the situation determination model server 400 that transmits the embarkation utility determination information to the embarkation model server 300 may include a step (S109) of repeatedly performing an operation of determining the effectiveness of the specific embarkation point thereafter. In detail, the situation judgment model server 400 may obtain the derived trailing first starting point information from the starting model server 300 when a trailing pre-determined starting point is derived from the undertaking model server 300 that has received the undertaking utility determination information. have. In addition, the form judgment model server 400 may repeatedly perform a series of operations for generating the start utility determination information based on the acquired trailing start start point information. At this time, the form judgment model server 400 may update the common share availability information each time it receives the information on the subsequent preliminary starting point, and a series of operations to determine the common share for the checkerboard state (S) are also repetitive. Can be done with

이상, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 바둑 규칙에 따른 집, 사석, 돌, 공배, 빅을 정확히 구분하여 바둑의 형세를 예측함으로써, 바둑의 형세 및 해당 바둑 형세에서의 최선의 수를 정확히 판단할 수 있다. 또한, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 정확한 바둑의 형세를 판단하여 공배가 없는 상황에서의 의미 없는 착수를 회피함으로써, 바둑 게임 플레이 시의 착수 기력을 향상시킬 수 있다. 또한, 본 발명의 실시예에 따른 딥러닝 기반의 바둑 게임 서비스 제공 방법 및 장치는, 형세 판단을 통해 의미 없는 착수를 회피하여 바둑 게임 플레이 기력을 향상시킴으로써 바둑 대국에서의 승률을 증대시킬 수 있다. As described above, the method and apparatus for providing a deep learning-based Go game service according to an embodiment of the present invention accurately classifies houses, sandstones, stones, gongbae, and big according to the Go rule to predict the situation of Go, thereby predicting the situation of Go and You can accurately judge the best number in the situation of Go. In addition, the method and apparatus for providing a deep learning-based Go game service according to an embodiment of the present invention determine the exact situation of Go and avoid meaningless start in a situation where there is no communion, thereby reducing the starting energy when playing the Go game. Can be improved. In addition, the method and apparatus for providing a deep learning-based Go game service according to an embodiment of the present invention can increase the win rate in a Go game by improving the player's ability to play the Go game by avoiding a meaningless start through judgment of the situation.

또한, 이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.Further, the embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded in a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded in the computer-readable recording medium may be specially designed and constructed for the present invention or may be known and usable to those skilled in the computer software field. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magnetic-optical media such as floptical disks. medium), and a hardware device specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of the program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device can be changed to one or more software modules to perform the processing according to the present invention, and vice versa.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.The specific implementations described in the present invention are examples and do not limit the scope of the present invention in any way. For brevity of the specification, descriptions of conventional electronic configurations, control systems, software, and other functional aspects of the systems may be omitted. In addition, the connection or connection members of the lines between the components shown in the drawings exemplarily represent functional connections and/or physical or circuit connections, and in an actual device, various functional connections that can be replaced or added Connections, or circuit connections. In addition, if there is no specific mention such as “essential” or “importantly”, it may not be an essential component for the application of the present invention.

또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.In addition, in the detailed description of the present invention, it has been described with reference to preferred embodiments of the present invention, but those skilled in the art or those of ordinary skill in the relevant technical field will have And it will be understood that various modifications and changes can be made to the present invention within a range not departing from the technical field. Accordingly, the technical scope of the present invention should not be limited to the contents described in the detailed description of the specification, but should be determined by the claims.

100 단말기
200 바둑서버
300 착수 모델 서버
310 탐색부
320 셀프 플레이부
330 착수 신경망
340 착수 결정부
400 형세판단 모델 서버
400a 형세 판단 모델
410 형세 판단 신경망
420 입력 특징 추출부
430 정답 레이블 생성부
400b 착수효용 판단부100 terminals
200 Go Server
300 launch model server
310 Search section
320 Self Play Department
330 initiating neural network
340 launch decision
400 profile judgment model server
400a position judgment model
410 Neural Network
420 input feature extraction unit
430 correct answer label generator
400b Initiation utility judgment unit

Claims

Communication unit for receiving a plurality of notation and pre-determined starting point;
A storage unit for storing a situation determination model and an undertaking utility determination unit; And
The situation determination model is read by reading the situation determination model, and the learned situation determination model is used to determine the configuration of the board to which the first decision starting point is applied, and the starting utility determination unit is based on the determined situation. Including; and a processor for generating initiation utility determination information, which is information for determining whether or not the number of days for the pre-determined starting point
The undertaking utility determination unit,
Calculating at least one of a player score and an oponant score according to the start of the Go stone for the first starting point, and determining whether the number of days has passed based on the calculated score to generate the starting utility determination information
Form judgment model server.

The method of claim 1,
The situation judgment model,
An input feature extraction unit for extracting an input feature in the input checkerboard state; And
Including a situation determination neural network that generates a position value for the intersection of the input checkerboard state based on the extracted input feature,
The situation judgment model,
Generating position determination information for the presence or absence of public relations based on the position value
The situation judgment model server.

The method of claim 2,
The undertaking utility determination unit,
If there is no communion in the situation determination information, it is determined whether the number of days is false,
The undertaking utility determination unit,
When the player's go is started at the starting point, the addition of +1 is performed when the number of player houses increases or the number of offense houses decreases, and a subtraction of -1 is performed when the number of player houses decreases or the number of offense houses increases. Then, the player score value is calculated, and when the number of oponant houses increases or the number of player houses decreases when an offense go stone is started at the starting point, an addition of +1 is performed, and the number of oponant houses decreases or the number of player houses If it is increased, subtraction of -1 is performed to calculate the oponant score value,
The calculated player score value and the oponant score value are summed to calculate the number of days,
If the calculated number of false days is greater than a predetermined threshold, determining the number of false days
Form judgment model server.

A communication unit for receiving a plurality of notation and initiation utility determination information;
A storage unit for storing the starting model; And
Including; a processor for reading the starting model to perform learning of the embarkation model, and generating a pre-determined starting point based on a board state by using the learned starting model, and
The launch model,
A search unit that provides the first decision starting point based on a Monte Carlo Tree Search (MCTS); And, an initiation neural network guiding the search unit; And a launch determination unit for obtaining the launch utility determination information as input data,
Based on the initiation utility determination information, controlling the initiation model to initiate or pass to the first-initiated starting point, or to derive a subsequent first-initiated starting point using the initiation model
Launch model server.

Dip to avoid meaningless undertaking by judging the status of the board by a status judgment model server including a communication unit, a storage unit in which the status judgment model and the launch utility judgment unit are stored, and a processor that drives the status judgment model and the launch utility judgment unit In the running-based Go game service method,
Obtaining, by the communication unit, information about a preemptive start point;
Determining whether or not the situation determination model is common in a checkerboard state;
Generating, by the embarkation utility determination unit, whether or not the pre-determined embarkation point is the number of days on the basis of the determined common distribution or not; And
The initiation utility determination information,
Information that is determined based on the determined situation whether the pre-determined starting point is a meaningful number
Deep learning-based Go game service provision method.

The method of claim 5,
The step of determining whether the pre-determined starting point is the number of days, and generating embarkation utility determination information,
Comprising the step of calculating at least one of a player score and an offense score according to the start of the Go stone for the first starting point, and determining whether the number of days is the number of days based on the calculated score, and generating the starting utility determination information
Deep learning-based Go game service provision method.

The method of claim 6,
The undertaking utility determination unit,
When the player's go is started at the starting point, the addition of +1 is performed when the number of player houses increases or the number of offense houses decreases, and a subtraction of -1 is performed when the number of player houses decreases or the number of offense houses increases. Then, the player score value is calculated, and when the number of oponant houses increases or the number of player houses decreases when an offense go stone is started at the starting point, an addition of +1 is performed, and the number of oponant houses decreases or the number of player houses If it is increased, subtraction of -1 is performed to calculate the oponant score value,
The calculated player score value and the oponant score value are summed to calculate the number of days,
If the calculated number of false days is greater than a predetermined threshold, determining the number of false days
Deep learning-based Go game service provision method.