Mahjax: JAXで強化学習のためのGPU加速麻雀シミュレータ
Mahjaxは、JAXで実装された完全ベクトル化された立直麻雀環境であり、GPUで大規模ロールアウト並列化を可能にします。8基のNVIDIA A100 GPU上で、無赤ルールで毎秒200万ステップ、赤ルールで毎秒100万ステップのスループットを達成。ゼロからの強化学習（tabula rasa）をサポートし、可視化ツールも提供。実験では、エージェントがベースラインポリシーに対してランクを向上させられることを確認。
2026年5月20日、Soichiro Nishimori氏を含む6名の研究者によって、立直麻雀のシミュレータ「Mahjax」が発表されました。このシミュレータはJAXフレームワーク上で完全にベクトル化されており、GPUを活用した大規模並列計算を実現します。立直麻雀は、複数プレイヤーによる不完全情報ゲームであり、確率性と高次元の状態空間が特徴です。これらの特性は、強化学習における現実世界の複雑な意思決定問題を反映しており、伝統的に人間のプレイログからの教師あり学習が用いられてきました。しかし、Mahjaxは「タブラ・ラサ」（ゼロからの学習）を可能にし、AlphaZeroシリーズと同様に、より汎用的な応用が期待されています。
Mahjaxの主な利点は、その完全ベクトル化された設計により、GPU上で多数のゲームを効率的に並行実行できる点です。8基のNVIDIA A100 GPUを使用したテストでは、無赤ルールで毎秒200万ステップ、赤ルールでも毎秒100万ステップという高いスループットを達成しました。これにより、大規模な強化学習実験を現実的な時間内で実行することが可能になります。
また、研究チームは高品質な可視化ツールも提供しており、デバッグや訓練後のエージェントとの対話が容易になっています。これにより、研究者は直感的に環境を理解し、エージェントの行動を分析することができます。実験では、Mahjax環境で訓練されたエージェントが、ベースラインポリシーと比較してランクを向上させることが確認され、この環境が強化学習研究に有効であることが示されました。
Mahjaxの登場は、麻雀AI研究に新たな道を開くだけでなく、複雑なゲームにおけるゼロからの強化学習の可能性を広げるものです。論文はarXiv（ID: 2605.20577）で公開されており、技術的な詳細に興味のある方は参照してください。