NanoZero

Un moteur d'échecs AlphaZero, entraîné depuis zéro — par la communauté.

🌐 nanozero.org — jouer contre Nano, analyser ses parties, et contribuer à l'entraînement directement depuis le navigateur, sans rien installer.

NanoZero implémente le paradigme AlphaZero : recherche MCTS (PUCT) guidée par un réseau de neurones ResNet, entraîné from scratch en pur self-play — zéro connaissance humaine, pas de livre d'ouverture. L'inférence tourne en pur Java (Vector API SIMD) ou via ONNX Runtime (CPU/GPU/navigateur).

Le site

Surface	Description
Contribuer	Prête ton GPU/CPU le temps d'un onglet : le navigateur joue des parties d'entraînement (ONNX Runtime Web, WebGPU/WASM) et les envoie — anonymement, sans compte
Analyser	Colle un PGN/FEN : graphe W/D/L de la partie, meilleures variantes, indice de criticité — 100 % dans le navigateur
Jouer	Trois niveaux calibrés en Elo, du mode tranquille à la pleine force

Aucun cookie, aucun traceur, aucune requête tierce — tout est auto-hébergé.

Architecture (monorepo)

Module	Rôle
nanozero-board	Représentation, génération de coups, plans d'entrée NN (validée par perft + cross-validation)
nanozero-nn	Inférence ResNet en pur Java Vector API SIMD (parité PyTorch ~1e-6) + backend ONNX Runtime. Value head WDL
nanozero-engine	MCTS PUCT AlphaZero : API asynchrone, tree reuse Zobrist, multi-thread, batching GPU
nanozero-uci	Adaptateur protocole UCI (exécutable UciMain)
nanozero-worker	Worker self-play distribué (claim → play → submit)
nanozero-sprt	Tests SPRT en Java (statistiques portées de fastchess)
nanozero-jobserver	Serveur de jobs FastAPI + SQLite WAL : replay buffer, distribution des modèles, observabilité
nanozero-training	Pipeline d'entraînement PyTorch : datasets self-play → training → export ONNX/NPZ
nanozero-browser-worker	Worker navigateur (page volontaire) : MCTS JavaScript + ONNX Runtime Web
nanozero-web	Le site : landing, Jouer, Analyser (vanilla JS, esbuild) + déploiement Caddy
nanozero-human-fidelity	Recherche : indicateurs de criticité et de jouabilité calibrés sur des parties humaines

Build

Prérequis : JDK 25, Maven 3.9+ (modules Java) ; Python 3.11+ (training/jobserver) ; Node 20+ (web).

mvn -B verify                    # build complet : compile + tests + coverage + format
mvn -pl nanozero-board verify    # un seul module

Conventions : Google Java Format (Spotless, build-break), Javadoc sur l'API publique, JUnit 5 + AssertJ, couverture cible 90 % par module, TDD sur les algorithmes critiques (movegen, kernels NN, MCTS).

Comment ça apprend

Cycle continu : les workers (flotte + navigateurs volontaires) jouent des parties en self-play → le jobserver collecte les positions → entraînement PyTorch d'une nouvelle génération → SPRT (test séquentiel de force, seul arbitre) → si la nouvelle génération est plus forte, elle est promue et la flotte bascule dessus. Chaque génération est le professeur de la suivante.

Licence

GPL-3.0 — comme Stockfish et Leela Chess Zero : le moteur et ses dérivés restent libres, et l'effort d'entraînement communautaire reste au bénéfice de la communauté.

Contact

Questions, suggestions : contact@nanozero.org · Mentions légales