通常，蒙特卡洛树搜索 (MCTS) 实际上是此类具有大分支因子的问题的首选“解决方案”。我可以理解，“普通”MCTS 的性能可能仍然不能令人满意，但有大量可用的扩展/增强功能。

我对你提到的特定游戏（Connect6）没有经验，但是快速浏览一下游戏的工作原理，我想在搜索树中会有大量的换位（位置相同但可以通过搜索树中的多个不同路径到达）。如果您将一块石头视为单层，这将特别常见；每个“组合移动”（随后将两块石头放在两个位置）都可以通过两种不同的方式达到，只需改变玩家放置它们的顺序即可。已经有研究将转置表与 MCTS 结合使用，因此这可能是一个很有前途的研究方向。

我还怀疑使用深度（强化）学习方法会有很大的价值。如果有一块大棋盘可以放置棋子，则可能会有许多“荒谬”的动作，并且很容易被深度学习方法完全忽略（例如，将棋子放置在棋盘很远的角落，没有棋子的地方） “行动”正在进行）。没有深度学习扩展的 Vanilla MCTS 将无法识别和消除这些荒谬的动作，并且过于频繁地播放它们（由于高分支因子，在 Play-Out 和选择阶段）。这里最明显的灵感来源是 AlphaGo Zero。

最后，肯定有一些关于 Connect6 AI（甚至是 Connect6 中的 MCTS）的已发表研究。例如：Connect6 的两阶段蒙特卡罗树搜索。您可能还可以通过查看该论文的参考文献列表来找到更多相关研究，并查看引用该论文的谷歌学者的后续论文。