Todas las demás familias de este estante buscan partiendo de cero: un
backtracker excava, un beam construye, una búsqueda local pule, cada uno
razonando únicamente a partir de las reglas del puzzle y del tablero que tiene
delante. Esta familia hace algo distinto. Toma el corpus de tableros fuertes que
la gente ya ha encontrado, lo lee en busca de estructura y reinyecta esa
estructura en una búsqueda como sesgo. Está más cerca del aprendizaje por
imitación que del diseño de búsqueda: la pregunta no es «cuál es una buena
jugada» partiendo de cero, sino «qué tendían a hacer los tableros que puntuaron
bien, y puede eso reutilizarse».
Las páginas siguientes van técnica por técnica. Cada una es realmente su propio
método, de modo que no comparten una forma común como sí lo hacen los pulidores
de búsqueda local: un prior de posición, una ordenación aprendida de jugadas, un
minero de antipatrones y un rejuego de testigo comparten una tesis pero no un
mecanismo. Para abarcar todo el territorio de una vez, empieza por
un mapa de todos los enfoques conocidos. Para
los experimentos ejecutables que encarnan estas técnicas, con sus tableros y sus
cifras, consulta los
experimentos de aprendizaje a partir de tableros.
Una señal aprendida ayuda cuando captura estructura real y transferible: algo
cierto de los buenos tableros que una búsqueda partiendo de cero tendría que
redescubrir de otro modo por suerte. Dónde tiende a situarse cada pieza, qué
piezas gustan de tocarse, qué demanda escasa una pieza rara es la única capaz de
satisfacer. Cableada en una búsqueda como un sesgo leve, esa estructura lleva de
forma fiable una construcción a lo más alto de su propio rango.
El límite es lo que hace de esto investigación y no un saco de trucos. El corpus
del que se aprenden estas señales es él mismo subperfecto: cada tablero que
contiene está atascado en algún punto por debajo de 480. Así que una señal
extraída del corpus codifica el techo de la comunidad tanto como su sabiduría, y
una señal que se limita a recodificar la meseta en la que cada tablero fuerte ya
está atrapado no eleva nada. Empuja un prior aprendido, bueno para desempatar,
hasta el interior de la función objetivo y la búsqueda se derrumba, porque empieza
a cambiar la arista que tiene delante por una corazonada estadística. El hilo
conductor nítido de toda esta familia: aprender de los tableros fuertes te hace
alcanzar la meseta rápido y de forma fiable, pero no te hace, por sí solo,
superarlo. El techo es el muro de rigidez, y
ninguna cantidad de minería del corpus lo mueve.
- Priors de corpus son la forma más
simple: cuenta dónde se sitúa cada pieza en los tableros fuertes, o con qué
frecuencia una pieza satisface una demanda escasa, y usa el recuento como
desempate en la construcción. Los experimentos
PRIOR y
LODESTONE.
- Ordenación aprendida de jugadas
clasifica las colocaciones candidatas según varias señales aprendidas a la vez,
y las deja votar, de modo que ninguna corazonada aislada lleve la búsqueda al
mismo callejón sin salida. El experimento
KEYRING.
- Minería de antipatrones es la
idea más sutil: no todo acuerdo entre tableros fuertes es bueno. Separa la
estructura real de la trampa compartida, y ataca la trampa. El experimento
PALIMPSEST, que
alcanzó el mejor tablero de este proyecto.
- Decodificación de récords
reconstruye exactamente un tablero récord conocido, pieza por pieza, para
recuperar el ingrediente que le faltaba a una búsqueda ordinaria. La
reproducción como prueba. El experimento
REPLAY.
- Cuando el aprendizaje se derrumba
es la síntesis sobre el modo de fallo: exactamente cuándo una señal aprendida
deja de ayudar, por qué confiar en exceso en ella arruina la búsqueda, y por qué
ninguno de estos métodos eleva el techo. Fija el límite de toda la sección: las
señales aprendidas alcanzan la meseta más rápido, pero ninguna lo levanta.