mario-aiプロジェクトは、神経進化を用いたSuper Mario Bros.の習得を目指すAIエージェント開発のための包括的なパイプラインを提供します。PythonベースのNEAT実装とOpenAI GymのSuperMario環境を統合し、ユーザーはカスタム適性基準、突然変異率、ネットワークトポロジーを定義できます。訓練中、フレームワークはニューラルネットワークの世代を評価し、高性能のゲノムを選択し、ゲームプレイとネットワーク進化のリアルタイム可視化を行います。また、訓練済みモデルの保存や読み込み、最優秀ゲノムのエクスポート、詳細なパフォーマンスログの生成もサポートします。研究者、教育者、趣味者はコードベースを他のゲーム環境に拡張し、進化戦略を実験し、異なるレベルでのAI学習進捗をベンチマークできます。

multiagent_envsは、マルチエージェント強化学習の研究開発向けに設計されたモジュール式のPython環境群です。協調ナビゲーション、捕食者-獲物、社会的ジレンマ、競争アリーナなどのシナリオを含みます。各環境ではエージェント数や観測特徴、報酬関数、衝突ダイナミクスを設定可能です。フレームワークはStable BaselinesやRLlibなどの人気RLライブラリとシームレスに統合されており、ベクトル化された学習ループ、並列実行、ログ記録が容易です。既存シナリオの拡張や新規作成もAPIを通じて容易に行え、MADDPG、QMIX、PPOなどのアルゴリズムを用いた実験を一貫した再現性のある環境で加速します。

MultiAgentModelは、マルチエージェントシナリオのためのカスタム環境とエージェントクラスを定義する統一APIを提供します。観測空間と行動空間、報酬構造、通信チャネルを指定できます。PPO、DQN、A2Cなどの人気のRLアルゴリズムに標準サポートがあり、最小限の設定で訓練が可能です。リアルタイムの可視化ツールがエージェントのインタラクションとパフォーマンス指標を監視します。モジュール式のアーキテクチャにより、新しいアルゴリズムやカスタムモジュールの統合も容易です。柔軟な設定システムによるハイパーパラメータ調整、実験追跡用のログユーティリティ、シームレスなポータビリティのためのOpenAI Gym環境との互換性も含まれています。ユーザーは共有環境で協力したり、ログインされたセッションをリプレイして分析できます。

Vanilla Agentsは、モジュール化され拡張可能なコア強化学習エージェントの実装を提供する軽量なPyTorchベースのフレームワークです。DQN、ダブルDQN、PPO、A2Cなどのアルゴリズムをサポートし、OpenAI Gymと互換性のあるプラグイン可能な環境ラッパーを備えています。ユーザーはハイパーパラメータの設定、トレーニングメトリクスのログ記録、チェックポイントの保存、学習曲線の可視化を行えます。コードベースは明確に構成されており、研究のプロトタイピング、教育用途、新しいアイデアのベンチマークに最適です。

YGO-Agentフレームワークは、研究者や愛好家が強化学習を用いてYu-Gi-OhカードゲームをプレイするAIボットを開発できるようにします。これにより、YGOPROゲームシミュレータをOpenAI Gym互換の環境にラップし、手札、場、ライフポイントなどの状態表現、および召喚、魔法/罠の発動、攻撃などのアクション表現を定義します。報酬は勝敗結果、与えたダメージ、ゲームの進行に基づきます。エージェントのアーキテクチャはPyTorchを使用してDQNを実装し、カスタムネットワーク構造、経験リプレイ、イプシロン・グリーディ探索も選択可能です。ログ記録モジュールはトレーニング曲線、勝率、詳細な手のログを記録し、分析に役立てます。フレームワークはモジュール式で、報酬関数やアクション空間などのコンポーネントを置き換え・拡張できるようになっています。