Utiliser des modèles de langage pour créer des niveaux de jeu

Les grands modèles linguistiques (LLMs) sont des programmes informatiques capables de comprendre et de créer du langage. Initialement conçus pour des tâches liées au texte, ces modèles ont montré qu'ils peuvent aussi bosser avec des images et même du contenu de jeux. Cet article parle de comment les LLMs peuvent être utilisés pour créer des niveaux de jeu pour un jeu appelé Metavoidal.

#Aperçu du Jeu

Metavoidal est un jeu de combat roguelite où les joueurs incarnent un batteur essayant de s'échapper d'une église remplie de monstres. Le jeu comporte plusieurs niveaux composés de salles reliées par des couloirs. Les joueurs vont trouver des objets et des power-ups en naviguant dans ces salles. La disposition inclut différents types de tuiles et de murs, tous à prendre en compte lors de la création de nouveaux niveaux.

#Comment les Niveaux Sont Créés

Créer des niveaux de jeu peut se faire de plusieurs façons. Les méthodes traditionnelles impliquent généralement des règles spécialement conçues pour ce jeu, ce qui peut être complexe et long. Ces dernières années, certains développeurs ont commencé à utiliser le machine learning pour simplifier le processus. Le machine learning peut analyser des données et identifier des motifs, rendant plus facile la création de niveaux uniques.

Les LLMs ont rejoint la danse en tant qu'outils capables de générer des niveaux de jeu à partir d'entrées textuelles. Ils peuvent créer des niveaux à partir de descriptions simples, ce qui les rend très adaptables. L'objectif est d'utiliser les LLMs pour générer de nouveaux niveaux de jeu tout en s'assurant qu'ils respectent certaines règles.

#Contraintes dans la Conception des Niveaux

Lors de la création des niveaux pour Metavoidal, il y a plusieurs règles à suivre. Ces règles aident à garantir que les niveaux sont jouables et offrent un bon défi. Voici quelques contraintes clés :

1. Les principales tuiles utilisées dans la salle doivent être de certains types.
2. Les tuiles sur lesquelles on ne peut pas marcher doivent être espacées.
3. Les tuiles de mur doivent ressembler à de vrais murs.
4. Un mélange de tuiles de motifs de soutien est requis.
5. Les portes doivent être placées selon des règles d'espacement spécifiques.
6. Les salles doivent avoir des dimensions qui sont des nombres pairs.

Respecter ces règles est essentiel pour créer des niveaux qui semblent amusants et équilibrés.

#Le Processus

Le processus de génération de niveaux de jeu avec les LLMs comprend plusieurs étapes. D'abord, une petite quantité de données est collectée. Dans ce cas, 60 niveaux ont été conçus à la main. Ces niveaux servent de base à la création de nouveaux.

Une fois les niveaux initiaux rassemblés, le LLM est entraîné en utilisant ces données. L'entraînement implique de nourrir le modèle avec des prompts décrivant les fonctionnalités souhaitées des nouveaux niveaux. Ces prompts incluent des spécificités sur les types de tuiles, la disposition des niveaux et l'espacement de certains éléments.

Pour rendre le processus efficace, différentes techniques sont utilisées pour améliorer les données. Cela peut impliquer de retourner les niveaux, de les faire pivoter ou d'échanger des tuiles pour créer de la diversité. Ces méthodes aident le modèle à apprendre à partir de différentes variations des niveaux existants.

Après l'entraînement, le LLM génère de nouveaux niveaux. Cependant, beaucoup de ces niveaux initiaux peuvent ne pas respecter les contraintes requises. Une intervention humaine est nécessaire pour examiner ces niveaux générés. Si certains niveaux peuvent être améliorés, ils sont ajustés et réintégrés dans le jeu de données pour un entraînement supplémentaire.

Ce cycle continue jusqu'à ce qu'un nombre satisfaisant de niveaux soit créé et affiné. Dans ce cas, l'objectif était de créer 120 niveaux utilisables.

#Augmenter le Jeu de Données

Une fois qu'assez de niveaux ont été créés, le jeu de données peut être élargi davantage. Des techniques comme le retournement, la rotation et l'échange de tuiles sont à nouveau appliquées pour générer de nouvelles versions de niveaux existants. Ces niveaux supplémentaires permettent d'avoir un jeu de données plus riche pour que le LLM puisse apprendre.

Le modèle est à nouveau affiné après l'élargissement du jeu de données. L'entraînement se poursuit pour s'assurer qu'il génère des niveaux qui sont variés mais jouables. C'est une étape clé du processus, car cela aide à trouver un équilibre entre créativité et praticité.

#Générer des Niveaux Jouables

Après plusieurs tours d'entraînement et d'expansion des données, le LLM est maintenant capable de générer des niveaux jouables. Chaque tour produit un ensemble de nouveaux niveaux qui sont ensuite évalués pour leur jouabilité et leur nouveauté. Les niveaux sont vérifiés pour voir s'ils respectent les contraintes mentionnées plus haut.

S'ils passent ces vérifications, ils sont ajoutés au jeu de données en croissance. Ce processus itératif permet au LLM de produire de nombreux niveaux jouables. Au total, l'objectif était d'atteindre un nombre significatif de niveaux jouables qui respectent les règles établies.

#Résultats et Observations

Au fur et à mesure que le processus de génération progresse, des métriques sont suivies pour évaluer le succès. La jouabilité est un point clé, tout comme la nouveauté des niveaux. Ces métriques aident à déterminer à quel point les niveaux générés s'alignent bien avec les principes de conception de jeu d'origine.

Une observation intéressante est que la précision des niveaux générés s'améliore avec le temps. À mesure que plus de données sont ajoutées et que le LLM est davantage entraîné, les niveaux deviennent plus étroitement alignés avec les contraintes spécifiées.

À chaque génération, le nombre de niveaux jouables augmente. Ce cycle répétitif de génération, d'évaluation et d'affinement est crucial pour le développement de contenu de jeu engageant.

#Conclusion et Travaux Futurs

En conclusion, l'utilisation des LLMs pour créer des niveaux de jeu ouvre de nouvelles possibilités dans le design de jeux. La méthode discutée permet une approche pratique pour générer des niveaux variés et intéressants en utilisant un jeu de données structuré et des prompts contrôlés.

Le développement continu de Metavoidal montre comment la technologie peut aider dans le processus créatif, particulièrement dans la conception de jeux. Cette méthode s'applique non seulement aux jeux 2D mais a aussi un potentiel pour de futurs travaux avec des titres 3D.

À mesure que la technologie progresse, l'objectif serait d'avoir un modèle adaptable capable de créer des niveaux pour des jeux 2D et 3D en même temps. Ce serait un développement significatif dans le domaine de la génération de contenu procédural, permettant une plus grande efficacité et créativité dans la conception de niveaux.