Las redes neuronales son modelos computacionales que fueron inspirados por el cerebro humano. Están compuestas por nodos (neuronas) que procesan la información. Cada nodo recibe una entrada, y analiza la información y le da cierto peso (valor numérico) y va produciendo salidas. Con las redes neuronales se les enseño a jugar a AlphaZero. Como es bien sabido, AlphaZero aprendió a jugar por su cuenta. Todo el conocimiento que adquirió se almacenó en las “redes neuronales artificiales”
La intención de este artículo es ver si las redes neuronales nos pueden dar algunas ideas de cómo enseñar de mejor manera y más rápido.
Historia de las redes neuronales
Alan Turing (1936) fue el primero en analizar al cerebro como un modelo computacional. La idea fue crear neuronas artificiales y sus posibles conexiones, de la misma manera en que un ingeniero usa una computadora para simular el ala de un avión, o un meteorólogo usa una computadora para simular una serie de tormentas.
Donald Hebb (1949) empezó a explicar los procesos del aprendizaje al analizar lo que ocurría cuando las neuronas eran activadas. Así empezó a encontrar semejanzas entre el aprendizaje y la actividad nerviosa. Por estas investigaciones ha sido un pilar fundamental dentro de la neurociencia.
Frank Rosenblatt (1957) crea el desarrollo del perceptrón (la red neuronal más antigua) y crea el “Teorema de convergencia del perceptrón”. la cual es la base del aprendizaje supervisado. A grandes rasgos, el perceptrón se identifica como identificador de patrones. ¿Cómo lo hace? Es muy fácil. Se le enseña una serie de patrones y aprende a generalizar, y encontrar patrones similares aunque no se los hayan enseñado. Exactamente es el mismo proceso que se sigue en la enseñanza de ajedrez.
Karl Steinberck (1961) crea las primeras redes asociativas para reconocer patrones no lineales. De hecho, el ajedrez no es un problema lineal, sino que, por su complejidad, el proceso crece de una manera exponencia. y se parece más a un árbol con una gran infinidad de ramificaciones que no se pueden calcular de manera lineal. Y es precisamente de los árboles de decisiones con los que vamos a hablar al final. Por lo pronto vemos algunos términos de redes neuronales que se pueden aplicar al ajedrez.
Aprendizaje supervisado
Se aprende el ajedrez con un profesor, a través de un libro o viendo vídeos de ajedrez.. Ahí el alumno va a ir aprendiendo cuáles son buenas y malas jugadas y por qué. La idea es combinar los tres tipos de aprendizaje para mejorar en ajedrez.
Aprendizaje por refuerzo
Cuando enseñamos líneas de aperturas, es muy difícil acordarse de todas las variantes. Una forma muy buena de evaluación es jugando torneos. Es entonces cuando se le retroalimenta al jugador en la parte que olvidó y se le queda mucho más grabado las líneas enseñadas. Y si el jugador sigue jugando contínuamente, va a ir perfeccionando su juego y jugar con más precisión.
Redes Neuronales convolucionales (CNN)
En programación se utilizan para procesar y reconocer imágenes. Para entenderlo mejor, debemos partir de su definición. Una convolución es una “operación que combina dos funciones o señales para crear una tercera, representando cómo se superponen e interactúan”. Aunque se utilizan en procesos computacionales, veamos un ejemplo de cómo se puede usar en ajedrez.
Minasian vs Tu Hoang
Erewan, 1996
Juegan las negras y ganan
Desviación y doble amenaza
En esta posición Tu Hoang ve que el rey blanco está en el centro. Además, ve dos elementos tácticos que podría utilizar que son la desviación y la doble amenaza. Con esto logra encontrar la solución.
1... Ac2! 2. Abandonan.
Si 2. Txa7 Td1 mate. Y si 2. Txc2 Da1+ y el rey blanco está en la red de mate.
Pero, al analizar esta partida, puedo ver otro elemento táctico muy común: el sacrificio de dama. Entonces, la partida pudo haber continuado.
1... Dxa2!! 2. Dxa2 Ac2+ 3. Ae2 Td1 mate.
Para encontrar esta solución creativa solamente añadí un concepto que conozco muy bien el cual es el sacrificio de dama, con el cual se crea un mate espectacular.
Con las CNN, podemos analizar cómo los grandes jugadores encuentran las soluciones con relativa facilidad.
Por lo general, todos estudiamos la táctica por separado. Y poco a poco vamos incorporando en nuestro cerebro mucho conocimiento por separado de elementos tácticos. Pero en una partida real, muchas veces necesitamos de dos o más elementos tácticos para encontrar la solución. Entonces, cuando se llega a una posición determinada, el jugador dice “como que me es conocida la posición”, pero en realidad empieza a reconocer patrones ya estudiados, y es cuando con un poco de análisis, puede encontrar la solución. Es una manera fácil de explicar cómo trabajan las CNN en ajedrez.
Redes neuronales recurrentes (RNN)
Este es un modelo de aprendizaje profundo que está entrenado para procesar y convertir una entrada de datos secuencial en una salida de datos secuencial específica. Veamos un ejemplo para que quede más claro.
Juegan blancas y ganan
Es la apertura italiana y han pasado nueve jugadas, llegando a la posición del diagrama anterior. Las blancas tienen buenas posibilidades de ataque, a pesar de que su torre está siendo atacada por el alfil contrario. A modo de ejemplo, veremos dos secuencias sencillas de cómo pueden atacar las blancas. Estos serían dos ejemplos cómo se lleva la secuencia del ataque.
a) 10. Db3 10. Axa1? 11. Axf7+ Rf8 12. Ag5 Ce7 13. Ce5 Axd4 14. Ag6 d5 15. Df3 Af5 16. Axf5 Axe5 17. Ae6 y las blancas ganan.
b) 10. Aa3! d6 11. Tc1 Aa5 12. Da4 a6 13. Ad5 Ab6 14. Txc6! Ad7 15. Te1+ Rf8 16. Txd6! Y el ataque es demoledor.
Hacer esto en la práctica no es tan fácil y voy a comentar uno de los mayores inconvenientes que he tenido con mis alumnos. Primero, hago que tracen un plan (antes de hacer cualquier jugada). Ya concretado el plan de ataque, ahora si vamos a buscar la secuencia para alcanzar el objetivo determinado. El problema radica muchas veces que no siguen el orden adecuado de jugadas. Si en matemáticas, el orden no altera el resultado, en ajedrez sí lo altera. Eso lo trabajamos mucho en ajedrez para perfeccionar el juego.
Los árboles de decisiones
Un árbol de decisiones es un esquema en el cual se realizan una serie de ramificaciones, muy parecidas a un árbol (de ahí su nombre) y es de gran ayuda para elegir la mejor solución. Se representa como en el siguiente diagrama:
Con este tipo de árbol podemos calcular todas las combinaciones posibles desde su inicio hasta el final. De hecho, mi primer árbol de decisión que hice está representado en el siguiente diagrama.
Juegan blancas y ganan
En este problema, si las blancas logran coronar un peón, ganan la partida. Fue mi primer árbol de decisión que pude hacer completo. Si le agrego un peón de más por bando, como lo muestra el siguiente diagrama, también es posible diagramar el árbol de decisión completo.
Juegan blancas y ganan
Aquí, el árbol de decisión es más grande, pero todavía es posible diagramarlo completo. Pero en otro tipo de posiciones de ajedrez, sería casi imposible hacerlo. Pienso que a partir de esta problemática, es cuando surge el árbol de búsqueda de Monte Carlo. Se utiliza principalmente para problemas muy grandes. En este árbol, en vez de buscar todas las variantes, solo se diagraman las principales o más prometedoras.
Sin dibujar el diagrama voy a explicar con un sencillo ejemplo, cómo se haría un árbol de búsqueda de Monte Carlo en la enseñanza del ajedrez con la defensa escandinava.
1. Para la defensa escandinava se trabajan con dos árboles diferentes.
a) La defensa escandinava con 1. e4 d5 2. exd5 Dxd5.
b) La defensa escandinava moderna con 1. e4 d5 2. exd5 Cf6
2. Voy a trabajar el árbol de la defensa escandinava moderna. Es mi primer nodo. Este va a tener tres ramificaciones principales:
a) Contragambito escandinavo con 1. e4 d5 2. exd5 Cf6 3. c4 c6
b) Contragambito islandés con 1. e4 d5 2. exd5 Cf6 3. c4 e6
c) Variante portuguesa con 1. e4 d5 2. exd5 Cf6 3. d4 Ag4
3. Estas ramificaciones van a tener sub ramificaciones que terminan solamente en la apertura y se les da un peso (valoración específica). Yo decido cuántas ramificaciones van a ser de acuerdo al nivel del estudiante.
4. Estas a su vez van a tener otras ramificaciones, hasta crear el árbol completo de lo que se va a enseñar. Es una de las mejores formas de enseñar la apertura.
Pero aquí podemos encontrar algo innovador. En ajedrez, hay que tener cuidado de no pasar de un árbol a otro, porque podría ser contraproducente. Para poder entenderlo, vemos un ejemplo
Juegan negras
Esta posición pertenece a la defensa escandinava. Hay infinidad de continuciones. Yo recomedaría jugar 3.. Ag4 para entrar la variante portuguesa. Pero, ¿qué pasaría si las negras jugaran 3... Cxd5. una posibe continuación sería 4. c4 Cb6 entrando a la defensa Alekhine, lo cual sería un árbol muy diferente a la escandinava. Con esta reflexión quiero terminar: En ajedrez hay infinidad d árboles de decisiones los cuales están entrelazados, y forman una red neuronal gigantesca, igual cómo se produce en el cerebro.
Por el momento es todo. Más adelante profundizaré más sobre este tema con su ayuda y aportaciones, podemos profundizar más sobre este tema tan interesante.
Bibliografía
Lorenz, R. (2024). Redes neuronales en el ajedrez informático. https://es.chessbase.com/post/redes-neuronales-en-el-ajedrez-informatico-2024
Copeland, J. y Proudoot, D. (s/f) Las redes neuronales de Turing de 1948. https://www-alanturing-net.translate.goog/turing_archive/pages/reference%20articles/connectionism/Turing's%20neural%20networks.html?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc
Brown, .R. E. (2026). Cerebro de Mol. https://pmc.ncbi.nlm.nih.gov/articles/PMC7137474/
Matich, D. J. (2001). Redes neuronales. Conceptos básicos y aplicaciones. https://gc.scalahed.com/recursos/files/r161r/w25199w/s5_redesneuronales.pdf
