GENERAZIONE SINTETICA DI POSIZIONI SCACCHISTICHE: UN APPROCCIO NEURO-SIMBOLICO TRAMITE MODELLI TRANSFORMER E DECODIFICA VINCOLATA

Questo lavoro di tesi esplora la generazione procedurale di posizioni scacchistiche in formato FEN tramite un'architettura Transformer sviluppata from scratch. Poiché i modelli puramente statistici faticano a rispettare rigide geometrie e regole di gioco, è stato implementato un approccio ibrido neuro-simbolico. Il sistema integra l'addestramento massivo su un milione di puzzle con un algoritmo di Constrained Decoding (Decodifica Vincolata), che interviene durante l'inferenza manipolando i logit per forzare la corretta conformazione della griglia 8x8 e il limite dei pezzi disponibili. L'introduzione del vincolo algoritmico ha azzerato gli errori sintattici (0%) e permesso di generare scacchiere valide e legali in circa il 99% dei casi. Lo studio si conclude con un'analisi critica degli artefatti generati (bias spaziali e overcrowding), documentando i limiti intrinseci dell'embedding monodimensionale applicato a contesti bidimensionali.