Neuralnetzwerke im Schach: Iterative Inferenz zeigt überraschende Muster

Eine neue Studie auf arXiv (2508.21380v1) untersucht, wie ein hochentwickelter Schach-Engine‑Neuralnetzwerk – Leela Chess Zero – seine Entscheidungen bildet. Durch die Erweiterung des Logit‑Lens-Ansatzes konnten die Forscher die Policy‑Netzwerk‑Schichten detailliert analysieren.

Die Ergebnisse zeigen, dass die Spielstärke und die Fähigkeit, Schachaufgaben zu lösen, mit zunehmender Tiefe der Schichten stetig zunehmen. Gleichzeitig folgen die Policy‑Verteilungen jedoch häufig nicht einer glatten, kontinuierlichen Entwicklung. Stattdessen werden korrekte Lösungen frühzeitig entdeckt, später aber wieder verworfen, und die Rangfolge von Zügen bleibt oft schlecht mit den endgültigen Ausgaben korreliert.

Ein weiteres auffälliges Merkmal ist die hohe Divergenz der Policy‑Verteilungen bis in die späteren Schichten hinein. Diese Beobachtungen stehen im deutlichen Gegensatz zu den meist glatten, konvergierenden Verteilungen, die in Sprachmodellen beobachtet werden.

Die Arbeit liefert damit neue Einblicke in die interne Funktionsweise von Schach‑Neuralnetzwerken und legt nahe, dass iterative Inferenz dort komplexere, nicht‑lineare Prozesse nutzt als in vielen anderen KI‑Anwendungen.