成果無し

バグは発見出来ず。

後手のε(ランダムに行動する確率）を1.0、先手は0.01で学習させてみましたが、2局目以降は先手が勝ち続けました。

よって、強化学習部分はちゃんと動いている（多分)。

評価関数も問題無し（多分)。

αβで探索するのもOK（多分)。

となると後は…学習が遅いだけ？

とりあえずパラメータを引き継いでもう一晩学習にトライしてみます。