AI設計¶
概要¶
ぷよぷよゲームにおけるAI自動プレイ機能の設計について説明します。ヘキサゴナルアーキテクチャに従い、AI機能を独立したポートとして実装します。
AI機能要件¶
US-005: AI自動プレイ機能¶
受け入れ基準:
- AIが自動でぷよを操作する
- AIの思考過程が可視化される
- 手動プレイとAIプレイの切り替えができる
- AIのプレイ速度を調整できる
アーキテクチャ設計¶
AI層の配置（現在の実装）¶
AI実装戦略¶
フェーズ1: 基本AI（イテレーション3 - 完了）✅¶
TensorFlow.js統合とWeb Workers実装により、非同期AI処理基盤を構築しました。
評価関数（実装済み）¶
関数型評価サービス（domain/services/ai/EvaluationService.ts）¶
// 評価設定の型定義
export interface EvaluationSettings {
heightWeight: number // 高さの重要度（デフォルト: 10）
centerWeight: number // 中央位置の重要度（デフォルト: 5）
mlWeight: number // MLスコアの重要度（デフォルト: 20）
}
// 評価結果の型定義
export interface MoveEvaluation {
heightScore: number // 高さベースのスコア
centerScore: number // 中央位置ベースのスコア
modeScore: number // MLモデルによる追加スコア
totalScore: number // 総合スコア
averageY: number // 平均Y座標
averageX: number // 平均X座標
distanceFromCenter: number // 中央からの距離
reason: string // 評価理由の説明
}
// 純粋関数による評価実装
export const evaluateMove = (
move: PossibleMove,
gameState: AIGameState,
settings?: EvaluationSettings
): MoveEvaluation
export const evaluateMoveWithML = (
move: PossibleMove,
gameState: AIGameState,
mlScore: number,
settings?: EvaluationSettings
): MoveEvaluation
評価アルゴリズム¶
AI思考プロセス¶
AIコンポーネント詳細（実装済み）¶
MLAIService（TensorFlow.js統合）¶
責務:
- 4層ニューラルネットワークによるAI思考
- 戦略設定に基づく評価
- 非同期処理による高速判断
実装済みインターフェース:
export class MLAIService implements AIPort {
// 次の手を決定（非同期）
async decideMove(gameState: AIGameState): Promise<AIMove>
// AI設定更新
updateSettings(settings: AISettings): void
// 戦略更新
async updateStrategy(): Promise<void>
// モデル準備状態
isModelReady(): boolean
// リソースクリーンアップ
dispose(): void
}
WorkerAIService（Web Workers実装）¶
責務:
- メインスレッド非ブロッキング処理
- バックグラウンドでのAI計算
- フォールバック機構
実装済みインターフェース:
export class WorkerAIService implements AIPort {
// Web Worker経由でAI判断
async decideMove(gameState: AIGameState): Promise<AIMove>
// フォールバック処理
private async fallbackToMainThread(gameState: AIGameState): Promise<AIMove>
// Worker初期化
private initializeWorker(): void
// Worker終了処理
terminate(): void
}
EvaluationService（関数型実装）¶
責務:
- 純粋関数による盤面評価
- 複数手の評価とソート
- ML強化評価の統合
実装済み関数:
// 基本評価関数
export const evaluateMove = (
move: PossibleMove,
gameState: AIGameState,
settings?: EvaluationSettings
): MoveEvaluation
// ML強化評価関数
export const evaluateMoveWithML = (
move: PossibleMove,
gameState: AIGameState,
mlScore: number,
settings?: EvaluationSettings
): MoveEvaluation
// 複数手の評価とソート
export const evaluateAndSortMoves = (
moves: PossibleMove[],
gameState: AIGameState,
settings?: EvaluationSettings
): Array<PossibleMove & { evaluation: MoveEvaluation }>
// 最良手の取得
export const getBestMove = (
moves: PossibleMove[],
gameState: AIGameState,
settings?: EvaluationSettings
): (PossibleMove & { evaluation: MoveEvaluation }) | null
MoveGenerator（実装済み）¶
責務:
- 全ての可能な配置位置と回転状態の生成
- 物理的制約の検証
- 有効な手のフィルタリング
実装済みクラス:
export class MoveGenerator implements MoveGeneratorPort {
// 可能な手を生成（6列×4回転 = 最大24通り）
generateMoves(gameState: AIGameState): PossibleMove[] {
const moves: PossibleMove[] = []
const puyoPair = gameState.currentPuyoPair
for (let x = 0; x < gameState.field.width; x++) {
for (let rotation = 0; rotation < 4; rotation++) {
const move = this.createMove(x, rotation, puyoPair, gameState.field)
if (move.isValid) {
moves.push(move)
}
}
}
return moves
}
// 配置可能性の検証
private isValidPlacement(x: number, y: number, field: AIFieldState): boolean
}
ChainSimulator¶
責務:
- 連鎖シミュレーション
- 結果予測
- スコア計算
インターフェース:
interface ChainSimulator {
// 連鎖シミュレーション
simulate(field: Field, move: Move): SimulationResult;
// 連鎖数予測
predictChainCount(field: Field): number;
}
AI可視化設計（実装済み）¶
AIControlPanel（制御パネル）¶
export const AIControlPanel: React.FC = () => {
// AI有効/無効切り替え
// 思考速度調整（100ms - 2000ms）
// 戦略設定への遷移
// AIモード選択（通常AI / ML AI / Worker AI）
}
AIInsights（思考プロセス可視化）¶
export const AIInsights: React.FC = () => {
// 現在の評価スコア表示
// 評価内訳（高さスコア、中央スコア、MLスコア）
// 選択理由の表示
// リアルタイム更新
}
思考プロセスの可視化¶
AIコントロールパネル¶
パフォーマンス考慮事項（実装済み）¶
Web Workers活用（実装済み）¶
実装済み最適化戦略¶
- 関数型評価システム:✅
- 純粋関数による予測可能な評価
- 副作用なしで並行処理安全
-
テスト容易性の向上
-
TensorFlow.js統合:✅
- 4層ニューラルネットワーク
- GPU加速対応
-
リアルタイム推論
-
非同期処理:✅
- Web Workersによる並列処理実装
- UIブロッキング完全回避
- フォールバック機構
テスト戦略¶
AI単体テスト¶
describe('AIEngine', () => {
describe('決定的な状況での判断', () => {
test('4つ揃えられる時は即座に消去する', () => {
// Arrange: 3つ揃っている状態
// Act: AI判断
// Assert: 4つ目を配置する手を選択
});
});
describe('評価関数の妥当性', () => {
test('高い塔は低評価される', () => {
// Arrange: 高い塔がある盤面
// Act: 評価
// Assert: 低いスコア
});
});
});
パフォーマンステスト¶
describe('AIパフォーマンス', () => {
test('思考時間が設定値以内', () => {
// 100ms以内に判断完了
});
test('メモリリークがない', () => {
// 1000回の思考でメモリ増加なし
});
});
実装実績¶
イテレーション3（完了）✅¶
- TensorFlow.js統合: 4層ニューラルネットワーク実装
- Web Workers実装: 非同期AI処理基盤構築
- AI可視化UI: AIControlPanel、AIInsights実装
- 関数型評価サービス: EvaluationService純粋関数化（2025-08-19）
- テスト: 17テストケース追加、100%カバレッジ達成
品質指標¶
- テストカバレッジ: 80.57%（目標80%達成）
- E2Eテスト: 65件（100%成功）
- パフォーマンス: 思考時間100-2000ms（調整可能）
- メモリ効率: TensorFlowリソース適切なdispose実装
将来の拡張性¶
フェーズ2: 高度な戦略システム（イテレーション4）¶
フェーズ3: 強化学習（イテレーション5）¶
フェーズ4: 高度な評価関数システム（次期実装予定）¶
mayah AI実装を参考にした評価関数再設計¶
mayah AI（@mayah_puyo）の実装から得られた知見を基に、より高度で人間らしい評価関数システムを設計します。
新評価システムの構成¶
mayah AIの4要素評価を参考に、以下の評価カテゴリを導入：
詳細設計仕様¶
1. 操作評価（OperationEvaluation）¶
export interface OperationEvaluation {
frameCount: number // 操作フレーム数（1フレーム = 0.1点減点）
tearCount: number // ちぎり回数（1回 = 100点減点）
efficiency: number // 配置効率性
}
export const evaluateOperation = (
move: PossibleMove,
gameState: AIGameState
): OperationEvaluation => {
// フレーム数計算（6列目は若干遅い）
const frameCount = calculateFrameCount(move.position, move.rotation)
// ちぎり判定
const tearCount = calculateTearCount(move, gameState.currentPuyoPair)
// 効率性評価
const efficiency = calculatePlacementEfficiency(move, gameState)
return { frameCount, tearCount, efficiency }
}
2. 形評価（ShapeEvaluation）¶
export interface ShapeEvaluation {
uShapeScore: number // U字型スコア
connectionScore: number // 連結スコア（2連結=10点、3連結=30点）
valleyPenalty: number // 谷ペナルティ（深さ4以上で2000点減点）
mountainPenalty: number // 山ペナルティ（高さ4以上で2000点減点）
heightBalance: number // 高さバランス（二乗誤差）
}
export const evaluateShape = (
field: AIFieldState,
gamePhase: GamePhase
): ShapeEvaluation => {
// U字型評価（理想高さからの二乗誤差）
const idealHeights = calculateIdealUShape(field)
const uShapeScore = calculateUShapeScore(field.heights, idealHeights, gamePhase)
// 連結数評価
const connectionScore = evaluateConnections(field)
// 山谷評価
const { valleyPenalty, mountainPenalty } = evaluateMountainsAndValleys(field)
// 高さバランス
const heightBalance = calculateHeightBalance(field.heights)
return {
uShapeScore,
connectionScore,
valleyPenalty,
mountainPenalty,
heightBalance
}
}
3. 連鎖評価（ChainEvaluation）¶
export interface ChainEvaluation {
mainChain: ChainInfo // 本線連鎖（連鎖数 * 1000点）
subChain: ChainInfo // 副砲連鎖（2連鎖=1000点、3連鎖=500点）
patternMatch: number // パターンマッチスコア
requiredPuyos: number // 必要ぷよ数（二次関数的減点）
}
export interface ChainInfo {
chainCount: number // 連鎖数
score: number // 評価スコア
shapeQuality: number // 連鎖形状品質
frameToFire: number // 発火までのフレーム数
}
export const evaluateChain = (
field: AIFieldState,
patterns: ChainPattern[]
): ChainEvaluation => {
// 連鎖パターンマッチング
const possibleChains = enumerateChains(field, patterns)
// 本線・副砲選択
const mainChain = selectBestMainChain(possibleChains)
const subChain = selectBestSubChain(possibleChains)
// パターンマッチ評価
const patternMatch = evaluatePatternMatching(field, patterns)
// 必要ぷよ数計算（50%確率ベース）
const requiredPuyos = calculateRequiredPuyos(mainChain, 0.5)
return { mainChain, subChain, patternMatch, requiredPuyos }
}
4. 戦略評価（StrategyEvaluation）¶
export interface StrategyEvaluation {
firingDecision: number // 発火判断スコア
riskAssessment: number // リスク評価
stareFunction: number // 凝視機能
defensiveNeed: number // 防御必要性
}
export const evaluateStrategy = (
gameState: AIGameState,
rensaHandTree: RensaHandTree
): StrategyEvaluation => {
// 発火判断（RensaHandTree使用）
const firingDecision = evaluateFiringDecision(rensaHandTree)
// リスク評価
const riskAssessment = assessRisk(gameState)
// 凝視機能（相手の攻撃への対応）
const stareFunction = evaluateOpponentThreats(gameState)
// 防御必要性
const defensiveNeed = evaluateDefensiveNeed(gameState)
return { firingDecision, riskAssessment, stareFunction, defensiveNeed }
}
RensaHandTree実装設計¶
export interface RensaHandNode {
chainCount: number // 連鎖数
startFrame: number // 開始フレーム
endFrame: number // 終了フレーム
score: number // 連鎖スコア
children: RensaHandNode[] // 後続連鎖
}
export class RensaHandTree {
private myTree: RensaHandNode[]
private opponentTree: RensaHandNode[]
// 連鎖木構築
buildTree(field: AIFieldState, depth: number = 3): RensaHandNode[] {
const chains = enumerateAllChains(field)
const sortedChains = chains.sort((a, b) => a.endFrame - b.endFrame)
const tree: RensaHandNode[] = []
let maxScore = 0
for (const chain of sortedChains) {
if (chain.score > maxScore) {
tree.push(chain)
maxScore = chain.score
// 再帰的に次段構築
if (depth > 0) {
const afterField = simulateChain(field, chain)
chain.children = this.buildTree(afterField, depth - 1)
}
}
}
return tree
}
// 打ち合い評価
evaluateBattle(): BattleResult {
return evaluateChainBattle(this.myTree, this.opponentTree)
}
}
ゲームフェーズ別調整¶
export enum GamePhase {
EARLY = 'early', // 序盤（ぷよ数 < 30）
MIDDLE = 'middle', // 中盤（30 <= ぷよ数 < 60）
LATE = 'late' // 終盤（ぷよ数 >= 60）
}
export const getPhaseAdjustments = (phase: GamePhase): PhaseAdjustments => {
switch (phase) {
case GamePhase.EARLY:
return {
gapTolerance: 0.5, // スキ許容度高
chainPriority: 0.7, // 連鎖優先度中
shapePriority: 1.0 // 形重視
}
case GamePhase.MIDDLE:
return {
gapTolerance: 0.3, // スキ許容度中
chainPriority: 1.0, // 連鎖優先度高
shapePriority: 0.8 // 形重視維持
}
case GamePhase.LATE:
return {
gapTolerance: 0.1, // スキ許容度低
chainPriority: 1.2, // 連鎖最優先
shapePriority: 0.5 // 形より実用性
}
}
}
統合評価関数¶
export interface MayahStyleEvaluation extends MoveEvaluation {
operationScore: number
shapeScore: number
chainScore: number
strategyScore: number
phaseAdjustment: number
}
export const evaluateMoveWithMayahStyle = (
move: PossibleMove,
gameState: AIGameState,
settings: MayahEvaluationSettings
): MayahStyleEvaluation => {
// 各カテゴリ評価
const operation = evaluateOperation(move, gameState)
const shape = evaluateShape(gameState.field, getGamePhase(gameState))
const chain = evaluateChain(gameState.field, settings.patterns)
const strategy = evaluateStrategy(gameState, settings.rensaHandTree)
// フェーズ別調整
const phase = getGamePhase(gameState)
const adjustments = getPhaseAdjustments(phase)
// 重み付け統合
const operationScore = calculateOperationScore(operation) * adjustments.operationWeight
const shapeScore = calculateShapeScore(shape) * adjustments.shapeWeight
const chainScore = calculateChainScore(chain) * adjustments.chainWeight
const strategyScore = calculateStrategyScore(strategy) * adjustments.strategyWeight
const totalScore = operationScore + shapeScore + chainScore + strategyScore
return {
...move,
operationScore,
shapeScore,
chainScore,
strategyScore,
phaseAdjustment: adjustments.phaseAdjustment,
totalScore,
reason: generateEvaluationReason({
operation, shape, chain, strategy, phase
})
}
}
実装計画¶
Phase 4a: 基盤実装（イテレーション4前半）¶
- mayah型評価システムの型定義
- 操作評価・形評価の基本実装
- 既存評価関数との統合テスト
Phase 4b: 高度機能実装（イテレーション4後半）¶
- 連鎖パターンマッチング実装
- RensaHandTree実装
- 戦略評価システム統合
Phase 4c: 最適化・調整（イテレーション5）¶
- パフォーマンス最適化
- パラメータチューニング
- 人間らしさの検証・調整
期待される効果¶
- 人間らしい思考: GTRなど定跡パターンの認識・活用
- 戦略的判断: 状況に応じた攻守のバランス調整
- 高い競技性: mayah AIレベルの強さを目指す
- 学習基盤: パターン学習・強化学習への発展
まとめ¶
このAI設計により、以下を実現しました：
実装済み成果¶
- TensorFlow.js統合: 4層ニューラルネットワークによる高度なAI判断 ✅
- Web Workers実装: 非同期処理によるUIブロッキング回避 ✅
- 関数型評価システム: 純粋関数による予測可能で安全な評価 ✅
- AI可視化: 思考プロセスのリアルタイム表示 ✅
- テスタビリティ: 17テストケースで包括的なカバレッジ ✅
次期実装予定¶
- mayah型評価システム: 4要素評価による人間らしい思考 🔄
- パターンマッチング: 定跡認識による戦略的配置 🔄
- RensaHandTree: 高度な打ち合い評価システム 🔄
技術的特徴¶
- 並行処理安全: 状態なしの純粋関数による安全な並行実行
- 拡張性: 新しい評価関数の追加が容易
- 保守性: 関数型パラダイムによる理解しやすいコード
- パフォーマンス: GPU加速対応、最適化された推論処理
- フォールバック: Worker未対応環境への対応
- 競技レベル: mayah AI参考による高度な戦略思考
評価関数の進化¶
- 現行版: 高さ・中央・ML評価による基本AI ✅
- 次期版: mayah型4要素評価による人間らしいAI 🔄
- 操作評価（フレーム・ちぎり・効率性）
- 形評価（U字型・連結・山谷・バランス）
- 連鎖評価（本線・副砲・パターン・必要数）
- 戦略評価（発火・凝視・リスク・防御）