(Phys.org)—Il processo decisionale è generalmente pensato come qualcosa fatto da esseri viventi intelligenti e, nei tempi moderni, computer. Ma negli ultimi anni, ricercatori hanno dimostrato che oggetti fisici come una barra di metallo [video], liquidi [carta], e i laser possono anche "prendere decisioni" rispondendo al feedback dei loro ambienti. E hanno dimostrato che, in alcuni casi, gli oggetti fisici possono potenzialmente prendere decisioni più velocemente e con maggiore precisione di quanto siano capaci sia gli esseri umani che i computer.

In un nuovo studio, un team di ricercatori giapponesi ha dimostrato che l'ultraveloce, la dinamica oscillatoria caotica nei laser rende questi dispositivi in ​​grado di prendere decisioni e apprendere per rinforzo, che è uno dei componenti principali dell'apprendimento automatico. Per quanto a conoscenza dei ricercatori, questa è la prima dimostrazione del processo decisionale fotonico ultraveloce o dell'apprendimento per rinforzo, e apre le porte a future ricerche sull'"intelligenza fotonica".

"Nella nostra manifestazione, utilizziamo la potenza di calcolo inerente ai fenomeni fisici, " ha detto il coautore Makoto Naruse presso l'Istituto nazionale di tecnologia dell'informazione e delle comunicazioni di Tokyo Phys.org . "La potenza di calcolo dei fenomeni fisici si basa su 'infiniti gradi di libertà, ' e la sua risultante 'non località delle interazioni' e 'fluttuazioni.' Contiene principi di calcolo completamente nuovi. Tali sistemi forniscono un enorme potenziale per la nostra futura società orientata all'intelligence. Chiamiamo tali sistemi "Intelligenza naturale" in contrasto con l'intelligenza artificiale".

Negli esperimenti, i ricercatori hanno dimostrato che la velocità ottimale con cui il caos laser può prendere decisioni è di 1 decisione per 50 picosecondi (o circa 20 decisioni per nanosecondo), una velocità irraggiungibile con altri meccanismi. Con questa velocità elevata, il processo decisionale basato sul caos laser ha potenziali applicazioni in aree come il trading ad alta frequenza, gestione dell'infrastruttura del data center, e altri usi di fascia alta.

I ricercatori hanno dimostrato l'abilità del laser facendogli risolvere il problema del bandito multi-braccio, che è un compito fondamentale nell'apprendimento per rinforzo. In questo problema, il decisore gioca a varie slot machine con diverse probabilità di vincita, e deve trovare la slot machine con la più alta probabilità di vincita per massimizzare la sua ricompensa totale. In questo gioco, c'è un compromesso tra passare il tempo esplorando diverse slot machine e prendere una decisione rapida:l'esplorazione può perdere tempo, ma se una decisione viene presa troppo in fretta, la macchina migliore può essere trascurata.

Una chiave per l'abilità del laser è combinare il caos laser con una strategia decisionale nota come "tiro alla fune, "così chiamato perché il decisore è costantemente "tirato" verso una slot machine o un'altra, a seconda del feedback che riceve dal suo gioco precedente. Per realizzare questa strategia in un laser, i ricercatori hanno combinato il laser con un regolatore di soglia il cui valore si sposta in modo da giocare alla slot machine con la maggiore probabilità di ricompensa. Come spiegano i ricercatori, il laser produce un valore di uscita diverso a seconda del valore di soglia.

"Chiamiamo una delle slot machine 'macchina 0' e l'altra 'macchina 1', " ha detto il coautore Songju Kim, presso l'Istituto Nazionale per la Scienza dei Materiali a Tsukuba, Giappone. "L'output del decisore basato sul laser è '0' o '1'. Se il livello del segnale della dinamica oscillatoria caotica è superiore al valore di soglia (che è configurato dinamicamente), quindi l'output è '0, ' e questo significa direttamente che la decisione è di scegliere 'macchina 0.' Se il livello del segnale della dinamica oscillatoria caotica è inferiore al valore di soglia (che è configurato dinamicamente), quindi l'output è '1, ' e questo significa direttamente che la decisione è di scegliere 'macchina 1.'"

I ricercatori si aspettano che questo sistema possa essere scalato, esteso a problemi di apprendimento automatico di livello superiore, e portare a nuove applicazioni del caos laser nel campo dell'intelligenza artificiale.

© 2017 Phys.org