NNUE, Efficiently Updatable Neural Networks (Etkili Şekilde Güncellenebilir Sinir Ağları)’ in kısaltmasından geliyor. Bu teknoloji ilk olarak Japonyalı bilgisayar mühendisi Yu Nasu tarafından tasarlanıp , 2018 yılında Stockfish’ in Shogi oyununa adaptasyon edilmiş halinde kullanıldı. Shogi kısaca Japon satrancı olarak adlandırılan ve 9x9 kare üzerinde oynanan diziliş ve kuralları farklılıklar içeren bir oyundur. NNUE teknoloji 2020 Mayıs ayı itibariyle Stockfish' te kullanılmaya başlandı. NNUE ağını kullanabilen satranç motorunda hem klasik değerleme hem de NNUE değerlendirme sistemi bir arada bulunur. Klasik değerleme en iyi hamleyi hesaplamak için programın kodlarında belirtilen değerlerden yola çıkarak sonuca varırken, NNUE değerlendirmesi, bu değeri temel girdilere dayalı bir sinir ağıyla hesaplar. NNUE ağları pozisyon değerlendirmelerini sağlıklı bir şekilde yapabilmeleri için milyonlarca pozisyonun değerlendirilmesiyle optimize edilip eğitilir.
NNUE ağlarını kullanabilen satranç motorlarının bir kısmı kendi özel ağlarını, bir kısmı da Stockfish için hazırlanan ağları kullanıyorlar. Güçlü bir NNUE ağı kullanımı satranç motorunda ciddi bir elo kazanımı sağlıyor. Stockfish’ e göre daha zayıf satranç motorları Stockfish’ in kullandığı ağları kullandığında güçlerindeki artış Stockfish’e göre çok daha fazla oluyor. Bazı satranç motorlarında bu kazanım 200 elo puanını aşıyor. Stockfish’ in NNUE ağı kullanırken kazandığı elo zamana ve kullanılan işlemci sayısına göre değişiyor. Artan zamanla birlikte elo kazanımında düşüşler yaşanıyor. Yapmış olduğum 1 işlemci, 30 sn+0.5 sn zaman testlerinde bazı ağlarla elo kazanımı 150 puanı geçerken 6 işlemci, 2 dk + 0.5 sn testlerinde kazanılan elo kazanımı genel olarak 100 puanın altında seyrediyordu.
Deneyim dosyaları satranç motorlarının oynadığı oyunların skorları ve derinliklerini saklıyor , satranç motoru benzer pozisyonlarla karşılaştığında bu deneyim dosyasından faydalanarak avantaj elde ediyor. NNUE ağını satranç motorunun kullandığı ana kaynak olarak düşünürsek , Experince file adı verilen deneyim dosyaları ise daha çok yardımcı kaynak durumunda. Satranç motoru NNUE ağından nerdeyse tüm oyun boyunca faydalanırken , deneyim dosyasından çok daha sınırlı bir şekilde faydalanıyor. Deneyim dosyalarından elde edilen elo kazancıda doğal olarak NNUE ağ kullanımından elde edilen elo kazanımından daha düşük oluyor.
NNUE ağlarını kullanabilen satranç motorlarının bir kısmı kendi özel ağlarını, bir kısmı da Stockfish için hazırlanan ağları kullanıyorlar. Güçlü bir NNUE ağı kullanımı satranç motorunda ciddi bir elo kazanımı sağlıyor. Stockfish’ e göre daha zayıf satranç motorları Stockfish’ in kullandığı ağları kullandığında güçlerindeki artış Stockfish’e göre çok daha fazla oluyor. Bazı satranç motorlarında bu kazanım 200 elo puanını aşıyor. Stockfish’ in NNUE ağı kullanırken kazandığı elo zamana ve kullanılan işlemci sayısına göre değişiyor. Artan zamanla birlikte elo kazanımında düşüşler yaşanıyor. Yapmış olduğum 1 işlemci, 30 sn+0.5 sn zaman testlerinde bazı ağlarla elo kazanımı 150 puanı geçerken 6 işlemci, 2 dk + 0.5 sn testlerinde kazanılan elo kazanımı genel olarak 100 puanın altında seyrediyordu.
Deneyim dosyaları satranç motorlarının oynadığı oyunların skorları ve derinliklerini saklıyor , satranç motoru benzer pozisyonlarla karşılaştığında bu deneyim dosyasından faydalanarak avantaj elde ediyor. NNUE ağını satranç motorunun kullandığı ana kaynak olarak düşünürsek , Experince file adı verilen deneyim dosyaları ise daha çok yardımcı kaynak durumunda. Satranç motoru NNUE ağından nerdeyse tüm oyun boyunca faydalanırken , deneyim dosyasından çok daha sınırlı bir şekilde faydalanıyor. Deneyim dosyalarından elde edilen elo kazancıda doğal olarak NNUE ağ kullanımından elde edilen elo kazanımından daha düşük oluyor.