Ionisk beslutningstager, der er i stand til at lære selv

En NIMS forskergruppe har opfundet en ionisk enhed, kaldet en ionisk beslutningstager, i stand til hurtigt at træffe sine egne beslutninger baseret på tidligere erfaringer ved brug af ændringer i ioniske/molekylære koncentrationer. Derefter lykkedes det gruppen at demonstrere sin drift. Denne enhed er i stand til at træffe beslutninger, mens den effektivt tilpasser sig skiftende situationer på en måde, der ikke er relateret til lagring af tidligere oplevelser i computerhukommelsen eller til udførelsen af ​​beslutningstagningsberegninger. Denne opfindelse kan føre til udviklingen af ​​nye kunstig intelligens (AI)-systemer, der er i stand til at behandle analog information ved hjælp af hardware på en helt anden måde end konventionelle AI-systemer, der behandler digital information ved hjælp af software.

AI-systemer, der hurtigt kan foretage optimale valg som reaktion på skiftende omstændigheder på forskellige områder - såsom information og kommunikation, fremstilling, økonomiske aktiviteter og underholdning - er et presserende behov. Indsatsen i de senere år har fokuseret på udviklingen af ​​computerbaserede AI-systemer, der er i stand til at behandle store mængder information ved hjælp af sofistikerede programmer. Imidlertid, disse systemer har nogle problemer:når de bruges til at løse komplekse problemer ved hjælp af enorme mængder data, deres drift bremser og forbruger store mængder elektricitet.

Denne forskergruppe udviklede en beslutningsfattende ionisk enhed, der er i stand til at fungere ved hjælp af elektrokemiske fænomener induceret af bevægelse af protoner (H+) i en fast elektrolyt. Når enheden træffer en korrekt beslutning, ioner migrerer mod elektroden, der er forbundet med beslutningen. Gentagne korrekte beslutninger forårsager en variation i ioniske/molekylære koncentrationer og forstærker beslutningen. Forskergruppen anvendte denne mekanisme på et overbelastet radiokommunikationsnetværk og lykkedes med at demonstrere, at enheden er i stand til at vælge en optimal kommunikationskanal (dvs. frekvensområde), der skal tildeles for en given transmission for at opnå den mest effektive samlede kanaludnyttelse i forhold til skiftende overbelastningssituationer. Enheden demonstrerede også evnen til at foretage optimale kanalvalg for at opfylde et endnu mere komplekst mål, dvs. at opnå den mest effektive overordnede kanaludnyttelse blandt flere kommunikationsnetværksbrugere.

I fremtidige undersøgelser, vi håber at udvikle denne teknologi til højere ydeevne, enheder med højere integration og anvende dem til kompleks problemløsning, ikke kun i kommunikationsnetværk, men også i fremstilling og finansiel handel, osv. F.eks. enheden kan bruges til at foretage de mest rentable valg blandt flere muligheder med dynamiske belønningssandsynligheder. Ud over, vi planlægger at anvende denne teknologi til udviklingen af ​​AI-systemer (kunstige hjerner), der opererer under et nyt arbejdsprincip:ikke-programmerede beslutningstagningssystemer, der tænker som biologiske systemer.

Denne undersøgelse blev offentliggjort i online-versionen af Videnskabens fremskridt , et amerikansk videnskabeligt tidsskrift.