実試合から得点を予測する

世界選手権などの実際の試合の盤面から、そのエンドが何点で終わるかの確率分布を、1投目から16投目まで予測する AI モデルを構築し、その振る舞いを詳しく分析。

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。

  1. 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)

他の研究テーマ

AI に特定のデータだけを忘れさせる›
学習済みの AI から、指定されたデータの影響だけを取り除く Machine Unlearning。元の訓練データが残っていなくても、少数のデータを短時間で忘れさせる手法を研究。
カーリングの「勝負どころ」を数値で表す›
その一投が試合の勝敗をどれだけ左右するのか。野球の指標 Leverage Index をカーリングに導入し、ショットの前後での勝率の変化から一投ごとの重要度を定量化する。
試合記録からストーンの位置を読み取る›
世界大会の公式記録に載っている配置図から、AI がストーンの位置を自動で読み取る。20万局面を超えるカーリングの試合データベースを構築。
プロの内野守備はどこが違うのか›
プロとアマチュアの内野守備の映像を AI に見分けさせ、その判断の根拠から、熟練度の差が現れる局面と動作を探る。
ゾウの眠りを AI が見守る›
動物園の夜間カメラ映像からアジアゾウの睡眠を自動で検出し、どのゾウの睡眠かを確認する飼育員の作業を大きく減らす。
少ないデータで AI の歌声を自然にする›
軽量な歌声合成モデルの出力を、本物の歌声に近づく方向へ少しずつ補正。少ない歌唱データと限られた計算資源でも、より自然な歌声を目指す。
ポーカーで駆け引きを学ぶ AI›
相手の手札が見えないポーカーで、ブラフを仕掛けてくる相手の出方を読み、受けるか降りるかを判断する AI。理論上の最適戦略とどこまで近づけるかを厳密に検証。
AI が作った肺音で AI を鍛える›
集めにくい異常な肺音を生成 AI で 10 万枚作り出し、小さくても雑音に強い肺音 AI を学習。大規模モデルの約 0.5% の大きさで同等の精度を達成。
AI がカーリングの戦術を考える›
世界大会の試合データ分析による戦術支援と、デジタルカーリングで戦うAI「じりつくん」の開発。
ボルダリングを AI が評価する›
半教師あり学習とホールド情報を活用し、オクルージョンに強いクライマーの姿勢推定を実現。
AIに悩ませる異常検知›
正常な肺音だけを学習したAIで異常音を検出。ノイズと区別する独自アルゴリズムも開発。
AIで動物の健康管理をする›
円山動物園のアジア象の映像から、位置追跡と行動分類を自動で行い日々の活動を記録。
絶滅危惧種の発情期を捉えろ›
九十九島動植物園のツシマヤマネコを対象に、発情期特有の行動をAIで自動判別。
普段と異なる異常の兆候を知る›
普段の行動データから学習したモデルで、いつもと異なる異常の兆候をいち早く検知する。
AI も錯視を起こす›
色の恒常性を学習したニューラルネットワークで「ドレスの色の錯視」を再現。

研究テーマ一覧へ ›

共同研究・研究室見学のご相談はこちら

問い合わせ ›