20.500.12556/RUL-177428 Adapting AlphaZero for Three-Player Hexagonal Chess Prilagoditev AlphaZero za trostranski heksagonalni šah This thesis adapts the AlphaZero framework for Three-Way Chess, a three-player variant defined by hexagonal geometry and complex coalition dynamics. To address the lack of software frameworks, a high-performance training ecosystem was developed for resource-constrained hardware. A transformer-based architecture incorporating relative positional embeddings was introduced to capture the board's unique spatial relationships. Methodological validation in Three-player Hex demonstrated that canonical input representations and geometric embeddings significantly enhance learning efficiency. In Three-Way Chess, the agent autonomously discovered advanced tactics but initially adopted a passive survivalist strategy to avoid drawing aggression. Refining the objective with material incentives corrected this behaviour, resulting in competitive performance against human opponents. These findings suggest that the efficacy of self-play in non-zero-sum multiplayer environments depends on the underlying game structure and may require additional fine-tuning. Magistrska naloga obravnava prilagoditev ogrodja AlphaZero za varianto heksagonalnega šaha za tri igralce, ki jo definira zapletena dinamika zavezništev. Zaradi pomanjkanja odprtokodnih rešitev je bilo razvito visokozmogljivo ogrodje za učenje na strojni opremi z omejenimi viri. Za učinkovito modeliranje specifične geometrije heksagonalne plošče je bila uvedena arhitektura na osnovi transformerjev, ki vključuje relativne pozicijske vložitve. Metodološka validacija na primeru igre Hex za tri igralce je pokazala, da kanonične vhodne predstavitve in geometrijske vložitve bistveno izboljšajo učinkovitost učenja. Pri šahu za tri igralce je agent samostojno odkril napredne taktične motive, vendar se je sprva naučil pasivne igre, da ne bi postal tarča napadov. Prilagoditev sheme nagrajevanja z materialnimi spodbudami je izboljšala vedenje in posledično privedla do konkurenčne igre proti človeškim nasprotnikom. Izsledki nakazujejo, da je učinkovitost učenja s samo-igranjem v okoljih za več igralcev z neničelno vsoto odvisna od osnovne strukture igre in pogojno zahteva dodatne prilagoditve. multiplayer chess AlphaZero transformer deep reinforcement learning non-zero-sum games game theory večigralski šah AlphaZero transformer globoko spodbujevano učenje igre z ne-ničelno vsoto teorija true false false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2025-12-23 12:00:04 2025-12-23 12:00:15 2025-12-31 03:49:30 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37775 263051523 Vasiljevic_Jan_-_Prilagoditev_AlphaZero_za_trostranski_heksagonalni_sah.pdf Vasiljevic_Jan_-_Prilagoditev_AlphaZero_za_trostranski_heksagonalni_sah.pdf 1 39728A0621961FEA29F8783E12D29551 5a4403ca7a8edb1bad53680a2cb960fc9a2047a40193c87843a134deb7d20318 1c8af67e-dfee-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=224492 Fakulteta za računalništvo in informatiko 0 0 0