Forskere undersøger beslutningstagning ud fra fysiske fænomener

(Phys.org)-Beslutningstagning betragtes typisk som noget udført af intelligente levende ting og, i moderne tid, computere. Men i løbet af de sidste år har forskere har demonstreret, at fysiske genstande såsom en metalstang [video], væsker [papir], og lasere kan også "træffe beslutninger" ved at reagere på feedback fra deres omgivelser. Og det har de vist, i nogle tilfælde, fysiske objekter kan potentielt træffe beslutninger hurtigere og mere præcist end hvad både mennesker og computere er i stand til.

I en ny undersøgelse, et hold af forskere fra Japan har påvist, at den ultrahurtige, kaotisk oscillerende dynamik i lasere gør disse enheder i stand til at træffe beslutninger og forstærke læring, som er en af ​​hovedkomponenterne i maskinlæring. Så vidt forskerne ved, dette er den første demonstration af ultrahurtig fotonisk beslutningstagning eller forstærkende læring, og det åbner dørene for fremtidig forskning om "fotonisk intelligens."

"I vores demonstration, vi udnytter den beregningskraft, der er forbundet med fysiske fænomener, "fortalte medforfatter Makoto Naruse ved National Institute of Information and Communications Technology i Tokyo Phys.org . "Fysiske fænomeners beregningskraft er baseret på 'uendelige frihedsgrader, 'og dens resulterende' ikke -lokalitet af interaktioner 'og' udsving '. Den indeholder helt nye beregningsprincipper. Sådanne systemer giver et enormt potentiale for vores fremtidige intelligens-orienterede samfund. Vi kalder sådanne systemer for 'naturlig intelligens' i modsætning til kunstig intelligens. "

I eksperimenter, forskerne demonstrerede, at den optimale hastighed, hvormed laserkaos kan træffe beslutninger, er 1 beslutning pr. 50 picosekunder (eller omkring 20 beslutninger pr. nanosekund) - en hastighed, som andre mekanismer ikke kan nå. Med denne hurtige hastighed, beslutningstagning baseret på laserkaos har potentielle anvendelser inden for områder som højfrekvent handel, administration af datacenterinfrastruktur, og andre avancerede anvendelser.

Forskerne demonstrerede laserens evne ved at få den til at løse problemet med flerarmede banditter, hvilket er en grundlæggende opgave i forstærkningslæring. I dette problem, beslutningstageren spiller forskellige spilleautomater med forskellige gevinstsandsynligheder, og skal finde spilleautomaten med den højeste vindende sandsynlighed for at maksimere dens samlede belønning. I dette spil, der er en afvejning mellem at bruge tid på at udforske forskellige spilleautomater og tage en hurtig beslutning:at udforske kan spilde tid, men hvis en beslutning træffes for hurtigt, den bedste maskine kan blive overset.

En nøgle til laserens evne er at kombinere laserkaos med en beslutningsstrategi kendt som "tovtrækning, "såkaldt, fordi beslutningstageren konstant" trækkes "mod den ene eller den anden spillemaskine, afhængigt af den feedback, den modtager fra sit tidligere spil. For at realisere denne strategi i en laser, forskerne kombinerede laseren med en tærskeljustering, hvis værdi forskydes for at spille spilleautomaten med den højere sandsynlighed for belønning. Som forskerne forklarer, laseren producerer en anden outputværdi afhængigt af tærskelværdien.

"Lad os kalde en af ​​spilleautomaterne 'maskine 0' og den anden 'maskine 1', " sagde medforfatter Songju Kim, ved National Institute for Materials Science i Tsukuba, Japan. "Den laserbaserede beslutningstagers output er '0' eller '1.' Hvis signalniveauet for den kaotiske oscillerende dynamik er højere end tærskelværdien (som er dynamisk konfigureret), derefter er output '0, ' og det betyder direkte, at beslutningen er at vælge 'maskine 0'. Hvis signalniveauet for den kaotiske oscillerende dynamik er lavere end tærskelværdien (som er dynamisk konfigureret), så er output '1, 'og det betyder direkte, at beslutningen er at vælge' maskine 1. '"

Forskerne forventer, at dette system kan skaleres op, udvidet til maskinlæringsproblemer af højere kvalitet, og føre til nye anvendelser af laserkaos inden for kunstig intelligens.

© 2017 Phys.org