カーリングは「氷上のチェス」と呼ばれる戦略的なスポーツですが、同時に不確かさのスポーツでもあります。同じショットを狙っても、氷の状態や選手の技量、ストーン同士の衝突、スウィーピングの効果によって結果は変わります。さらに、何点取るのがよいかは、点差や残りエンド数、次のエンドで後攻(ハンマー)を持てるかどうかによっても変わります。あえて 0 点(ブランクエンド)にして後攻を保つ、という選択が最善になることもあります。
このような競技では、「平均して何点取れそうか」という一つの数字だけでは判断できません。大量点の可能性も、相手に点を取られる(スチールされる)危険も含めて、起こりうる結果の全体を見る必要があります。
期待得点分布という考え方
私たちのカーリング AI は、期待得点分布(Expected-Score Distribution; ESD)を中心に据えています。これは、ある盤面と試合の状況が与えられたときに、そのエンドが −8 点から +8 点までのそれぞれで終わる確率を並べたものです(図1)。点数は後攻チームから見た値で、プラスは後攻の得点、マイナスは相手のスチール、0 はブランクエンドを表します。この分布を、点差と残りエンド数ごとの勝率の表と組み合わせることで、「期待得点」ではなく「最終的な勝率」を高める判断ができるようになります。

図1:期待得点分布のイメージ。盤面と試合の状況から、エンドの最終得点の確率分布を予測する(グラフは説明用の例)
実際の試合の盤面だけで学習する
これまでの研究では、学習に使う盤面の一部を、ストーンをランダムに配置したシミュレーションで作っていました。しかし、ランダムな盤面は、選手が実際の試合で作り出す盤面とは性質が異なります。選手の感覚に合った評価をするには、実際の試合に現れる盤面で学習することが望まれます。
そこで本研究では、すべての学習用の盤面を実際の試合から取り出しました。当研究室で開発した、試合の配置図からストーンの位置を自動で読み取るシステムを使い、2022 年から 2026 年に行われた世界選手権、ヨーロッパ選手権、オリンピックなど、世界カーリング連盟の 32 大会・1,752 試合から、各ショットの直前の盤面を集めています。それぞれの盤面に 95 通りの試合状況(点差と残りエンド数の組み合わせ)を組み合わせ、ショットごとに約 235 万件の学習データを用意しました。
最後の一投からさかのぼる
1 エンドは両チーム合わせて 16 投です。本研究では、2 投目から 16 投目までのそれぞれの直前の盤面を評価する 15 個のモデルを作りました。
学習は最後の一投から逆向きに進めます(図2)。16 投目は、投げ終わればエンドの得点が決まるので、約 7,700 通りの候補ショットを物理シミュレーション(デジタルカーリング)で試し、勝率が最も高くなるショットの結果を正解とします。このとき、狙いどおりに投げられない「ショットのばらつき」も考慮します。15 投目以前は、投げたあともプレーが続くので、その後の展開を「次の一投のモデル」に評価させて正解を作ります。これを繰り返して、2 投目までさかのぼります。

図2:学習の進め方と、計算時間の短縮
この方法の課題は計算時間でした。1 つの盤面について、約 7,700 通りの候補と 95 通りの試合状況の組み合わせをすべて評価しなければなりません。従来の方式では、すべてのモデルの学習データを作るのに約 28 日かかる見込みでした。本研究では、試合状況の反映のさせ方を FiLM と呼ばれる軽い仕組みに変えることで、盤面の読み取りを 1 回で済ませられるようにし、約 75 倍の高速化を実現しました。これにより、全体を約 9 時間で実行できるようになりました。精度への影響は、最後の一投で確かめた範囲では小さなものでした。
分かったこと
作ったモデルを、ショットごとに詳しく分析しました。
まず、エンドが進むにつれて、予測は難しくなっていきます。序盤はどの盤面でも似たような分布になりますが、終盤になるほど盤面ごとに結果がはっきり分かれ、分布の形が多様になるためです。また、分布を左右する主な要因は、序盤では試合の状況(点差や残りエンド数)ですが、エンドが進むにつれてストーンの配置へと移っていくことも分かりました。
次に、予測が実際の試合と合っているかを確かめました。最後の一投について、選手が狙いどおりに投げられた場面に限ると、モデルは実際のエンドの得点に平均して約 0.71〜0.72 の確率を割り当てていました。得点の出やすさだけから予測した場合の 0.28 と比べて、はるかに高い値です。この性質は、学習に使っていないジュニアの大会でも同様に確認できました。エンドの途中でも、一投ごとに予測がなめらかに変化していくことを確認しています。
残っている課題
課題も 2 つ明らかになりました。一つは、大量点のようなまれな結果は実際の試合にほとんど現れないため、そうした盤面での予測誤差が大きくなることです。もう一つは、ショットのばらつきを一つの固定した大きさで与えており、それがトップ選手の実際のプレーよりも小さいことです。そのため、全体として後攻に有利な方向へ予測がややずれます。今後は、ショットのばらつきも実際の試合の統計に合わせて調整し、試合の現場で使える戦術支援につなげていきます。
- Rintaro Chiba, Yasumasa Tamura, Shimpei Aihara, and Masahito Yamamoto. “Building an All-Shot Expected-Score Distribution Model from Real-Match Curling Boards: Shot-Wise Accuracy and Plausibility Analysis.” Applied Sciences, 16(14), 6943 (2026)















