En NIMS -forskargrupp har uppfunnit en jonisk enhet, kallad en jonisk beslutsfattare, kan snabbt fatta egna beslut baserat på tidigare erfarenhet av förändringar i joniska/molekylära koncentrationer. Gruppen lyckades sedan demonstrera sin verksamhet. Denna enhet kan fatta beslut samtidigt som den effektivt anpassar sig till förändrade situationer på ett sätt som inte är relaterat till lagring av tidigare erfarenheter i datorns minne eller prestanda för beslutsfattande beräkningar. Denna uppfinning kan leda till utveckling av nya system för artificiell intelligens (AI) som kan bearbeta analog information med hjälp av hårdvara på ett helt annat sätt än konventionella AI -system som bearbetar digital information med hjälp av programvara.

AI -system som snabbt kan göra optimala val som svar på förändrade omständigheter inom olika områden - såsom information och kommunikation, tillverkning, ekonomisk verksamhet och underhållning - är akut nödvändiga. De senaste årens ansträngningar har fokuserat på utvecklingen av datorbaserade AI-system som kan bearbeta stora mängder information med hjälp av sofistikerade program. Dock, dessa system har några problem:när de används för att lösa komplexa problem med stora mängder data, deras verksamhet saktar ner och förbrukar stora mängder el.

Denna forskargrupp utvecklade en beslutsfattande jonisk enhet som kan fungera med hjälp av elektrokemiska fenomen som framkallas av rörelsen av protoner (H+) i en fast elektrolyt. När enheten fattar ett rätt beslut, joner migrerar mot elektroden som är associerad med beslutet. Upprepade korrekta beslut orsakar en variation i joniska/molekylära koncentrationer och förstärker beslutet. Forskargruppen tillämpade denna mekanism på ett överbelastat radiokommunikationsnätverk och lyckades visa att enheten kan välja en optimal kommunikationskanal (dvs. frekvensintervall) som ska tilldelas för en given sändning för att uppnå det mest effektiva övergripande kanalutnyttjandet i förhållande till förändrade överbelastningssituationer. Enheten visade också förmågan att göra optimala kanalval för att uppfylla ett ännu mer komplext mål, d.v.s. uppnå det mest effektiva övergripande kanalutnyttjandet bland flera kommunikationsnätverksanvändare.

I framtida studier, vi hoppas kunna utveckla denna teknik till högre prestanda, enheter med högre integration och tillämpa dem på komplex problemlösning, inte bara i kommunikationsnätverk utan även inom tillverkning och finansiell handel, etc. Till exempel, enheten kan användas för att göra de mest lönsamma valen bland flera alternativ med dynamiska belöningssannolikheter. Dessutom, Vi planerar att tillämpa denna teknik för utveckling av AI-system (artificiella hjärnor) som fungerar enligt en ny arbetsprincip:oprogrammerade beslutsfattande system som tänker som biologiska system.

Denna studie publicerades i onlineversionen av Vetenskapliga framsteg , en amerikansk vetenskaplig tidskrift.