Forscher der Kyoto University haben am 6. Juli 2026 ein Encoder-basiertes Modell vorgestellt, das die Stärke von Magic: The Gathering-Decks während des Drafting-Prozesses vorhersagen kann. Die Arbeit von Tomas Rigaux und Hisashi Kashima adressiert ein zentrales Problem der KI-Forschung in Trading Card Games: Die fehlende feste Regelstruktur, die durch eine große und sich ständig verändernde Sammlung von Spielkarten definiert wird.

Drafting-Modus als Forschungsdomäne

Im Draft-Modus von Magic: The Gathering treffen acht Spieler 39 bis 45 sequenzielle Kartenwahl-Entscheidungen, um ein Deck von 40 Karten zu konstruieren. Der Modus trennt den Kartenauswahl-Prozess vom eigentlichen Spiel und schafft eine Umgebung mit Teilinformation, die sich für maschinelles Lernen eignet. Die Komplexität liegt in den kombinatorischen Synergien zwischen Karten und der Notwendigkeit, Entscheidungen unter Unsicherheit zu treffen.

Laut der auf arXiv veröffentlichten Studie etabliert das Modell einen ersten gelernten Benchmark für Outcome-Prediction im MTG-Draft. Das Encoder-Modell erzeugt set-kontextualisierte Card-Embeddings und kodiert die Draft-Entscheidungssequenz. Die Forscher berichten von messbaren Verbesserungen gegenüber linearen Baseline-Methoden auf großen realen Datensätzen.

Warum Magic: The Gathering traditionelle Ansätze erschwert

Magic: The Gathering veröffentlicht jährlich Tausende neue Karten, von denen jede potenziell neue Mechaniken einführt oder bestehende Regeln modifiziert. Diese dynamische Regelstruktur macht traditionelle Policy-Learning-Ansätze impraktikabel. Meisterschaft im Spiel erfordert kontinuierliche Anpassung an neue Inhalte und die Fähigkeit, generische Spielkarten sowie ihre regeländernden Eigenschaften zu kodieren.

Die Forschung wurde durch JST BOOST (JPMJBS2407) und JST CREST (JPMJCR21D1) gefördert. Der Code ist auf GitHub unter github.com/akulen/MtGDraftEncoder verfügbar. Die Arbeit knüpft an erste peer-reviewed Publikationen zu KI-Lösungen für MTG-Drafting aus dem Jahr 2020 an und baut auf Fortschritten bei generalisierten Card-Representation-Ansätzen auf, die im Juli 2024 veröffentlicht wurden.

Entwicklung der MTG-KI-Forschung

Im November 2024 wurde ein öffentlich zugänglicher Drafting-Datensatz auf IEEE DataPort bereitgestellt, der die Forschung in diesem Bereich beschleunigte. Die aktuelle Arbeit der Kyoto University nutzt solche Datensätze, um neuronale Ansätze für Deck-Strength-Prediction zu trainieren. Die Forscher charakterisieren Drafting als Sub-Spiel innerhalb des größeren Trading-Card-Games mit großer kombinatorischer Komplexität und einer populären Spielerbasis auf Plattformen wie MTG Arena.

Die Arbeit zeigt, dass Encoder-Architekturen in der Lage sind, die komplexen Interaktionen zwischen Karten zu modellieren, ohne auf explizite Regel-Engines angewiesen zu sein. Dies ist relevant für die Generalisierung auf neue Kartensets, bei denen keine manuell erstellten Heuristiken vorliegen.