Metoda Monte Carlo to podejście polegające na generowaniu dużej liczby losowych wartości lub symulacji i tworzeniu pewnego rodzaju konkluzji w oparciu o ogólne wzorce, takie jak średnie i wariancje.
Jako przykład możesz użyć go do prognoz pogody . Prognozowanie pogody długoterminowej jest dość trudne, ponieważ jest to chaotyczny system, w którym niewielkie zmiany mogą prowadzić do bardzo różnych rezultatów. Stosując metody Monte Carlo, możesz przeprowadzić dużą liczbę symulacji, każda z nieco innymi zmianami atmosferycznymi. Następnie możesz przeanalizować wyniki i na przykład obliczyć prawdopodobieństwo deszczu w danym dniu na podstawie liczby symulacji, które zakończyły się deszczem.
Jeśli chodzi o użycie Monte Carlo w Alpha Go, wydaje się, że korzystają one z tak zwanego wyszukiwania drzewa Monte Carlo . W tym podejściu wykonujesz drzewo możliwych ruchów, kilka zwrotów w przyszłość i próbujesz znaleźć najlepszą sekwencję. Ponieważ jednak liczba możliwych ruchów w grze go jest bardzo duża, nie będziesz mógł eksplorować bardzo daleko. Oznacza to, że niektóre ruchy, które wyglądają teraz dobrze, mogą później okazać się złe.
Tak więc podczas wyszukiwania drzewa w Monte Carlo wybierasz obiecującą sekwencję ruchów i uruchamiasz jedną lub więcej symulacji tego, jak gra może przebiegać od tego momentu. Następnie możesz skorzystać z wyników tej symulacji, aby uzyskać lepszy obraz tego, jak dobra jest konkretna sekwencja ruchów, i odpowiednio zaktualizować drzewo. Powtarzaj w razie potrzeby, aż znajdziesz dobry ruch.
Jeśli chcesz uzyskać więcej informacji lub spojrzeć na kilka ilustracji, znalazłem interesujący artykuł na ten temat: C. Browne i in., A Survey of Monte Carlo Tree Search Methods ( open repository / permanent link (paywalled) )