Resolviendo el Cubo de Rubik Eficientemente con Representaciones Aprendidas: Sin Heurísticas Artesanales Necesarias
En la IA clásica, la percepción se basa en el aprendizaje de representaciones espaciales, mientras que la planificación —razonamiento temporal sobre secuencias de acciones— se logra típicamente mediante búsqueda. Este trabajo explora representaciones que capturan tanto la estructura espacial como la temporal. El aprendizaje contrastivo temporal estándar a menudo falla debido a características espurias. Los autores introducen Representaciones Contrastivas para el Razonamiento Temporal (CRTR), utilizando el muestreo negativo para eliminar estas características y mejorar el razonamiento temporal. CRTR sobresale en tareas temporales complejas como Sokoban y el Cubo de Rubik, resolviendo este último más rápido que BestFS (aunque con soluciones más largas). Notablemente, esta es la primera demostración de resolución eficiente de estados arbitrarios del Cubo de Rubik utilizando solo representaciones aprendidas, eliminando la necesidad de heurísticas de búsqueda artesanales.