游戏几何及其求解器

游戏论与如生成对抗网络（GAN）等学习系统中的核心挑战在于理解哪些算法能够高效计算跨异构游戏landscape中的均衡解。均衡计算通常逐求解器、逐游戏类别进行研究，获得局部强保证，但导致对求解器行为的碎片化认识。现有离散分类体系往往未能完整阐述算法在何处成功。我们通过建立求解器-游戏图谱，将游戏映射到有效求解器动力学。经典理论识别出该图谱的孤立区域，但对中间或重叠区域提供有限洞察，暗示可解性由定义求解器对齐几何的潜在结构属性所支配。我们通过结构感知求解器合成正式化了这一视角：一个学习到的结构识别器将每个游戏映射到低维求解器对齐表示，策略将该表示映射到有效原始机制，跨越不同区域适应求解器行为。结果揭示了特定求解器动力学有效的区域，以及需要混合原始机制而非单一主导求解器的区域。一个有界残差作为局部校正器和不完整求解器基或表示的诊断信号。该框架既产生一个自适应求解器，也提供分析视角：具有相似优化动力学的游戏聚类在一起，揭示算法有效性的连续区域和重叠的求解器行为。实验表明，固定原始机制 exhibits 系统性的区间失配，而学习到的表示有机地将游戏空间组织成与求解器行为对齐的结构制图。这些结果暗示，将均衡计算视为学习求解机制与绘制可解性几何的联合问题。