Génération de contenu procédural par apprentissage automatique (PCGML)

Cette étude explore la génération de contenu procédural par apprentissage machine (PCGML), définie comme la génération de contenu de jeu à l'aide de modèles d'apprentissage machine entraînés sur du contenu existant. Au fur et à mesure que l'importance de la GCP pour le développement de jeux augmente, les chercheurs explorent de nouvelles voies pour générer du contenu de haute qualité avec ou sans participation humaine. Cet article aborde le paradigme relativement nouveau de l'utilisation de l'apprentissage automatique (par opposition aux méthodes basées sur la recherche, les solveurs et les méthodes constructives). Nous nous concentrons sur ce qui est le plus souvent considéré comme du contenu de jeu fonctionnel, comme les niveaux de plateforme, les cartes de jeu, les histoires de fiction interactive et les cartes dans les jeux de cartes à collectionner, par opposition au contenu cosmétique, comme les sprites et les effets sonores. En plus de l'utilisation de PCG pour la génération autonome, la cocréativité, la conception d'initiatives mixtes et la compression, PCGML est adapté à la réparation, à la critique et à l'analyse de contenu, car il se concentre sur la modélisation du contenu existant. Nous discutons des différentes sources de données et des représentations qui affectent le contenu généré. Plusieurs méthodes PCGML sont abordées, notamment les réseaux neuronaux : réseaux de mémoire à long terme, autoencodeurs et réseaux convolutifs profonds ; les modèles de Markov : n-grams et chaînes de Markov multidimensionnelles ; le clustering et la factorisation matricielle. Enfin, nous abordons les problèmes ouverts du PCGML, notamment l'apprentissage à partir de petits ensembles de données, le manque de données d'entraînement, l'apprentissage multicouche, le transfert de style, le réglage des paramètres et le PCG comme mécanisme de jeu.