(Phys.org)-Beslutsfattande brukar ses som något som görs av intelligenta levande saker och, i modern tid, datorer. Men under de senaste åren har forskare har visat att fysiska föremål som en metallstång [video], vätskor [papper], och lasrar kan också "fatta beslut" genom att svara på feedback från sina miljöer. Och de har visat att i vissa fall, fysiska objekt kan potentiellt fatta beslut snabbare och mer exakt än vad både människor och datorer kan.

I en ny studie, ett team av forskare från Japan har visat att de ultrasnabba, kaotisk oscillerande dynamik i lasrar gör dessa enheter kapabla att fatta beslut och förstärka inlärning, som är en av huvudkomponenterna i maskininlärning. Så vitt forskarna vet, detta är den första demonstrationen av ultrasnabbt fotoniskt beslutsfattande eller förstärkningslärande, och det öppnar dörrarna för framtida forskning om "fotonisk intelligens".

"I vår demonstration, vi använder den beräkningskraft som finns i fysiska fenomen, "berättade medförfattaren Makoto Naruse vid National Institute of Information and Communications Technology i Tokyo Phys.org . "Beräkningskraften hos fysiska fenomen är baserad på 'oändliga grader av frihet, 'och dess resulterande' icke -lokalitet av interaktioner 'och' fluktuationer '. Den innehåller helt nya beräkningsprinciper. Sådana system ger en enorm potential för vårt framtida intelligensorienterade samhälle. Vi kallar sådana system för "naturlig intelligens" i motsats till artificiell intelligens. "

I experiment, forskarna visade att den optimala hastigheten med vilken laserkaos kan fatta beslut är 1 beslut per 50 pikosekunder (eller cirka 20 beslut per nanosekund) - en hastighet som inte kan uppnås med andra mekanismer. Med denna snabba hastighet, beslutsfattande baserat på laserkaos har potentiella tillämpningar inom områden som högfrekvent handel, datacenter infrastrukturhantering, och andra avancerade användningsområden.

Forskarna demonstrerade laserns förmåga genom att låta den lösa det multiarmade banditproblemet, vilket är en grundläggande uppgift i förstärkningslärande. I detta problem, beslutsfattaren spelar olika spelautomater med olika vinstsannolikheter, och måste hitta spelautomaten med den högsta vinnande sannolikheten för att maximera sin totala belöning. I det här spelet, det finns en avvägning mellan att spendera tid på att utforska olika spelautomater och att fatta ett snabbt beslut:att utforska kan slösa tid, men om ett beslut fattas för snabbt, den bästa maskinen kan förbises.

En nyckel till laserns förmåga är att kombinera laserkaos med en beslutsstrategi som kallas "dragkamp, "så kallad för att beslutsfattaren ständigt" dras "mot en eller annan spelautomat, beroende på den feedback den får från sitt tidigare spel. För att förverkliga denna strategi i en laser, forskarna kombinerade lasern med en tröskeljusterare vars värde skiftar för att spela på spelautomaten med högre belöningssannolikhet. Som forskarna förklarar, lasern producerar ett annat utgångsvärde beroende på tröskelvärdet.

"Låt oss kalla en av spelautomaterna" maskin 0 "och den andra" maskin 1 ", "sa medförfattaren Songju Kim, vid National Institute for Materials Science i Tsukuba, Japan. "Den laserbaserade beslutsfattarens utsignal är" 0 "eller" 1. " Om signalnivån för den kaotiska oscillerande dynamiken är högre än tröskelvärdet (som är dynamiskt konfigurerat), då är utgången '0, 'och detta innebär direkt att beslutet är att välja' maskin 0. ' Om signalnivån för den kaotiska oscillerande dynamiken är lägre än tröskelvärdet (som är dynamiskt konfigurerat), då är utgången '1, 'och detta innebär direkt att beslutet är att välja' maskin 1 '. "

Forskarna förväntar sig att detta system kan skalas upp, utvidgas till högre maskininlärningsproblem, och leda till nya tillämpningar av laserkaos inom området artificiell intelligens.

© 2017 Phys.org