Cada día son más los jugadores de ajedrez aficionados a analizar sus partidas con una precisión milimétrica. Para poder realizar esta tarea cuentas con numerosos módulos de análisis que son gratuitos (también existen otros de pago como Dragon), y el objetivo de este artículo es facilitarte los 5 monstruos de silicio más potentes del momento para que puedas utilizarlo en tu ordenador.
Gracias al último ranking de la CCRL (Computer Chess Rating Lists) comparto contigo los mejores motores analizados en modalidad 40/15. Esta modalidad implica 40 jugadas en 15 minutos en un procesador Intel i7-4770k y un tamaño de hash de 256 o 512 MB.
Stockfish sigue copando el primer lugar desde hace tiempo en la ranking. Utiliza redes neuronales NNUE y una arquitectura optimizada para calcular millones de jugadas por segundo. A día de hoy es una referencia absoluta para el análisis con ordenador y las versiones previas son las utilizadas para calibrar el ranking entre los promotores de CCRL.
Tiene un ELO estimado de 3643, puntua en un 58% de las partidas, tiene una cantidad de empates de del 83,1%.
Puedes descargarlo en este enlace: https://stockfishchess.org/download
2. Obsidian 15. Brilla por mérito propio.
Todo el mundo conoce Stockfish pero no todo el mundo conoce Obsidian a pesar de haber conseguido una posición de élite entre los módulos. Esta bestia fue empezada a programar en en abril del 2023, por lo que es un engine bastante joven.
Tiene un ELO estimado de 3622, puntua en un 52,7% de las partidas, tiene una cantidad de empates de 91,3%, lo que le convierte en un módulo tremendamente rocoso.
En las dos últimas versiones se han corregido errores y se han conseguido ganancias de elo por encima de lo esperado. Defectos: no soporta ajedrez 960.
Descargas: https://github.com/gab8192/Obsidian/releases/tag/v15.0
3. PlentyChess 5.0 pequeño pero matón
Aunque no tiene la fama de los gigantes anteriores su puntuación de ELO está muy próxima y es un competidor tremendamente estable al conseguir una tasa de empates altísima (de un 93%). Se estima un ELO de 3619.
Utiliza una red entrenada con… atención… 4.800 millones de posiciones de ajedrez autogeneradas, utilizando técnicas de autodestilación para parte del entrenamiento y bullet como biblioteca de entrenamiento.
PlentyChess se clasifica constantemente entre los 5 primeros en varias listas de clasificación de motores de ajedrez como https://www.sp-cc.de/ o https://ipmanchess.yolasite.com/r9-7945hx.php
Descargas: https://github.com/Yoshie2000/PlentyChess/releases
4. Integral v7: lo hace bien todo
Creada por Aron Petkovski en el norte de Macedonia, Integral implementa el enfoque de búsqueda negamax, ampliamente adoptado, con poda alfa-beta y, junto con él, las diversas heurísticas de búsqueda que permite. Utiliza el enfoque Lazy SMP para la búsqueda multihilo y ha demostrado una excelente escalabilidad con un mayor número de hilos en comparación con otros motores de ajedrez alfa-beta.
Cuando trabaja con varios núcleos de p͏rocesador (multi-threading), usa un sistema llam͏ado Lazy SMP, que reparte las tareas entre ellos de una manera m͏ás adaptable y eficaz q͏u͏e͏ o͏tros sistemas, lo que le permite usar ͏de forma más eficiente la fu͏erza d͏e la computadora. Integral, como el módulo anterior, ͏usa una red neuronal ͏especial llamada NNUE, que͏ ͏puede cambiar ͏su͏s ͏cálculos muy rápido en cuanto se muev͏e una so͏la pieza.͏ Para entrenar esta red, el motor ha jugado millones de partidas contra sí mismo empezando con aperturas aleatorias y variadas, y también ha usado bases de datos perfectas para los finales (como Syzygy) para aprender cómo deben jugarse posiciones finitas.
Puedes jugar contra este módulo online en el bot creado en Lichess: https://lichess.org/@/IntegralBot
5. Alexandria 8.0
La última versión trae mejoras importantes tanto en su capacidad de búsqueda como en su sistema de evaluación. Para comprobar cuánto ha mejorado, sus creadores explican en github que han realizado dos tests de progresión a largo plazo (LTC), que consisten en hacer jugar al motor miles de partidas contra versiones anteriores en posiciones de libros de aperturas variados. Los resultados muestran un incremento de rendimiento de unos 15 puntos de elo en posiciones equilibradas y más de 42 puntos con posiciones desbalanceadas. Esto indica que el motor ha mejorado especialmente en posiciones complejas y poco simétricas, que suelen ser más exigentes para ellos.
El pequeño monstruo también estrena una nueva red neuronal más compleja que utiliza 16 bloques en lugar de 1, esto permite que tenga una visión más granular del tablero pero teniendo que compensar reduciendo el tamaño de una de sus capas internas de 2048 a 1536 neuronas.
Descargas: https://github.com/PGG106/Alexandria/releases/tag/v8.0.0
