(Phys.org) - Besluitvorming wordt doorgaans gezien als iets dat wordt gedaan door intelligente levende wezens en, in de moderne tijd, computers. Maar de afgelopen jaren is onderzoekers hebben aangetoond dat fysieke objecten zoals een metalen staaf [video], vloeistoffen [papier], en lasers kunnen ook "beslissingen nemen" door te reageren op feedback van hun omgeving. En dat hebben ze laten zien, in sommige gevallen, fysieke objecten kunnen mogelijk sneller en nauwkeuriger beslissingen nemen dan waar zowel mensen als computers toe in staat zijn.

In een nieuwe studie, een team van onderzoekers uit Japan heeft aangetoond dat de ultrasnelle, chaotische oscillerende dynamiek in lasers maakt deze apparaten in staat tot besluitvorming en versterking van leren, dat is een van de belangrijkste componenten van machine learning. Voor zover de onderzoekers weten, dit is de eerste demonstratie van ultrasnelle fotonische besluitvorming of versterkend leren, en het opent de deuren naar toekomstig onderzoek naar 'fotonische intelligentie'.

"Tijdens onze demonstratie we gebruiken de rekenkracht die inherent is aan fysieke verschijnselen, " vertelde co-auteur Makoto Naruse van het National Institute of Information and Communications Technology in Tokio Phys.org . "De rekenkracht van fysieke verschijnselen is gebaseerd op 'oneindige vrijheidsgraden, ' en de resulterende 'niet-lokaliteit van interacties' en 'schommelingen'. Het bevat volledig nieuwe computationele principes. Dergelijke systemen bieden een enorm potentieel voor onze toekomstige op intelligentie gerichte samenleving. Zulke systemen noemen we 'natuurlijke Intelligentie' in tegenstelling tot kunstmatige intelligentie."

Bij experimenten, de onderzoekers toonden aan dat de optimale snelheid waarmee laserchaos beslissingen kan nemen 1 beslissing per 50 picoseconden is (of ongeveer 20 beslissingen per nanoseconde) - een snelheid die niet haalbaar is door andere mechanismen. Met deze hoge snelheid besluitvorming op basis van laserchaos heeft potentiële toepassingen op gebieden zoals hoogfrequente handel, beheer van datacenterinfrastructuur, en andere high-end toepassingen.

De onderzoekers demonstreerden het vermogen van de laser door het het probleem van de meerarmige bandieten te laten oplossen. wat een fundamentele taak is bij versterkend leren. Bij dit probleem de beslisser speelt verschillende gokautomaten met verschillende winkansen, en moet de gokautomaat met de hoogste winstkans vinden om de totale beloning te maximaliseren. In dit spel, er is een afweging tussen tijd besteden aan het verkennen van verschillende gokautomaten en het nemen van een snelle beslissing:verkennen kan tijd verspillen, maar als een beslissing te snel wordt genomen, de beste machine kan over het hoofd worden gezien.

Een sleutel tot het vermogen van de laser is het combineren van laserchaos met een besluitvormingsstrategie die bekend staat als "tug of war, " zogenaamd omdat de beslisser constant naar de ene of andere gokautomaat wordt "getrokken", afhankelijk van de feedback die het ontvangt van het vorige spel. Om deze strategie in een laser te realiseren, de onderzoekers combineerden de laser met een drempelregelaar waarvan de waarde verschuift om de gokautomaat te spelen met de hogere beloningskans. Zoals de onderzoekers uitleggen, de laser produceert een verschillende uitgangswaarde afhankelijk van de drempelwaarde.

"Laten we een van de speelautomaten 'machine 0' noemen en de andere 'machine 1', " zei co-auteur Songju Kim, aan het National Institute for Materials Science in Tsukuba, Japan. "De output van de op laser gebaseerde beslisser is '0' of '1.' Als het signaalniveau van de chaotische oscillerende dynamiek hoger is dan de drempelwaarde (die dynamisch is geconfigureerd), dan is de output '0, ' en dit betekent direct dat de beslissing is om 'machine 0' te kiezen. Als het signaalniveau van de chaotische oscillerende dynamiek lager is dan de drempelwaarde (die dynamisch is geconfigureerd), dan is de output '1, ' en dit betekent direct dat de beslissing is om te kiezen voor 'machine 1'"

De onderzoekers verwachten dat dit systeem kan worden opgeschaald, uitgebreid tot hogere machine learning-problemen, en leiden tot nieuwe toepassingen van laserchaos op het gebied van kunstmatige intelligentie.

© 2017 Fys.org