G検定 用語解説
モンテカルロ法とは
ある局面から先の手をランダムに何度も終局までシミュレーション（プレイアウト）し、その勝敗の統計から手の有望さを評価する手法。
モンテカルロ法の意味と見分け方
モンテカルロ法は、G検定の「大項目2 人工知能をめぐる動向」に出てくる用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。
試験概要（公式）比較記事でさらに確認する
試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
「大項目2 人工知能をめぐる動向」の問題で、取り違えやすい組み合わせです。
- 各AIブームと、その中心になった技術の組み合わせの取り違え。第一次＝探索・推論、第二次＝エキスパートシステム、第三次＝ディープラーニング。
- フレーム問題とシンボルグラウンディング問題の混同。フレーム問題は『起こりうる事柄をすべて考慮しきれない』問題、シンボルグラウンディング問題は『記号と実世界の意味を結びつけられない』問題。
- 知識獲得のボトルネック（専門知識をルール化する作業の困難さ）をエキスパートシステムの利点と取り違える。
関連する確認問題
大項目2 人工知能をめぐる動向 / 探索・推論
探索木で、根に近いノードから順に、同じ深さのノードをすべて調べてから次の深さへ進む探索方法はどれか。
同じ深さのノードを先にすべて調べる探索方法なので、探索の順序に注目する。正解は「幅優先探索」である。幅優先探索は、探索木の根に近いノードから順に、同じ深さのノードをすべて調べてから、次の深さへ進む方法で、浅い位置にある解を先に見つけやすい。「深さ優先探索」は1つの枝を行き止まりまで進んでから戻る方法で、順序が逆である。「ブルートフォース（力任せ探索）」は総当たりの考え方、「モンテカルロ法」は乱数を使う方法であり、深さごとの順序を表さない。したがって、設問の探索方法は幅優先探索である。
大項目2 人工知能をめぐる動向 / 探索・推論
ゲーム木の探索で、結果に影響しない枝の探索を打ち切って、探索量を減らす方法はどれか。
結果に影響しない枝を打ち切って探索量を減らすので、探索の効率化の手法が問われている。正解は「αβ法」である。αβ法は、Mini-Max法による探索で、結果に影響しない枝の探索を打ち切り、探索量を減らす方法である。「Mini-Max法」は最善手を決める考え方そのもので、枝の打ち切りは行わない。「幅優先探索」は同じ深さのノードを先に調べる順序、「モンテカルロ法」は乱数を使って見積もる方法であり、どちらも不要な枝を打ち切る方法ではない。したがって、設問の方法はαβ法である。
大項目2 人工知能をめぐる動向 / 探索・推論
探索木を使った経路探索で、出発点に近いノードから同じ深さのノードをすべて調べ、それが終わってから一つ深い階層へ進む方法はどれか。最短経路を必ず見つけられる反面、調べる途中のノードを多く記憶しておく必要がある。
正解は幅優先探索。出発点に近い順に同じ深さのノードをすべて展開してから次の深さへ進むため、最短経路を必ず発見できるが、展開待ちのノードを多数保持するためメモリ消費が大きくなる。アルファ・ベータ法はMini-Max法によるゲーム木探索で、勝敗の評価に影響しない枝を刈り込む手法であり、深さごとに全ノードを展開する探索順序の方式ではない。モンテカルロ法はランダムな試行を多数回行い、その勝敗の統計から手を評価する手法であり、ノードを体系的に展開する探索方式ではない。深さ優先探索は一つの経路を行き止まりまで深くたどってから後戻りする方式で、幅優先探索とは対照的に記憶量は少ないが最短経路の発見は保証しない。問題文の「同じ深さのノードをすべて調べてから一つ深い階層へ進む」という展開順序に一致するのは幅優先探索だけである。
同じ章で確認したい用語
到達チェック
- モンテカルロ法を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、モンテカルロ法に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: AI資格ドリル編集部（運営者情報を見る）