(Phys.org) —A tomada de decisão é normalmente considerada como algo feito por seres vivos inteligentes e, nos tempos modernos, computadores. Mas nos últimos anos, pesquisadores demonstraram que objetos físicos, como uma barra de metal [vídeo], líquidos [papel], e os lasers também podem "tomar decisões" respondendo ao feedback de seus ambientes. E eles mostraram isso, em alguns casos, objetos físicos podem potencialmente tomar decisões mais rápidas e precisas do que humanos e computadores são capazes.

Em um novo estudo, uma equipe de pesquisadores do Japão demonstrou que o ultrarrápido, dinâmica oscilatória caótica em lasers torna esses dispositivos capazes de tomada de decisão e aprendizado de reforço, que é um dos principais componentes do aprendizado de máquina. No melhor conhecimento dos pesquisadores, esta é a primeira demonstração de tomada de decisão fotônica ultrarrápida ou aprendizado de reforço, e abre as portas para pesquisas futuras sobre "inteligência fotônica".

“Em nossa demonstração, utilizamos o poder computacional inerente aos fenômenos físicos, "disse o co-autor Makoto Naruse do Instituto Nacional de Tecnologia da Informação e Comunicação de Tóquio Phys.org . "O poder computacional dos fenômenos físicos é baseado em 'graus infinitos de liberdade, 'e sua resultante' não-localidade de interações 'e' flutuações '. Ele contém princípios computacionais completamente novos. Esses sistemas oferecem um enorme potencial para nossa futura sociedade orientada para a inteligência. Chamamos esses sistemas de 'inteligência natural' em contraste com a inteligência artificial. "

Em experimentos, os pesquisadores demonstraram que a taxa ideal na qual o caos do laser pode tomar decisões é 1 decisão por 50 picossegundos (ou cerca de 20 decisões por nanossegundo) - uma velocidade que é inatingível por outros mecanismos. Com esta velocidade rápida, a tomada de decisão baseada no caos do laser tem aplicações potenciais em áreas como negociação de alta frequência, gerenciamento de infraestrutura de data center, e outros usos de ponta.

Os pesquisadores demonstraram a capacidade do laser ao fazê-lo resolver o problema do bandido multi-armado, que é uma tarefa fundamental na aprendizagem por reforço. Neste problema, o tomador de decisão joga várias máquinas caça-níqueis com diferentes probabilidades de vitória, e deve encontrar a máquina caça-níqueis com a maior probabilidade de vitória para maximizar sua recompensa total. Neste jogo, há uma compensação entre gastar tempo explorando diferentes caça-níqueis e tomar uma decisão rápida:explorar pode perder tempo, mas se uma decisão for tomada muito rapidamente, a melhor máquina pode ser esquecida.

A chave para a capacidade do laser é combinar o caos do laser com uma estratégia de tomada de decisão conhecida como "cabo de guerra, "assim chamado porque o tomador de decisões é constantemente" puxado "para uma máquina caça-níqueis ou outra, dependendo do feedback que recebe de sua reprodução anterior. Para realizar essa estratégia em um laser, os pesquisadores combinaram o laser com um ajustador de limite cujo valor muda de modo a jogar na máquina caça-níqueis com maior probabilidade de recompensa. Como explicam os pesquisadores, o laser produz um valor de saída diferente dependendo do valor limite.

"Vamos chamar uma das máquinas caça-níqueis de 'máquina 0' e a outra 'máquina 1', "disse o co-autor Songju Kim, no Instituto Nacional de Ciência de Materiais em Tsukuba, Japão. "O resultado do tomador de decisão baseado em laser é '0' ou '1'. Se o nível de sinal da dinâmica oscilatória caótica for maior do que o valor do limite (que é configurado dinamicamente), então a saída é '0, 'e isso significa diretamente que a decisão é escolher' máquina 0 '. Se o nível de sinal da dinâmica oscilatória caótica for inferior ao valor do limite (que é configurado dinamicamente), então a saída é '1, 'e isso significa diretamente que a decisão é escolher' máquina 1 '"

Os pesquisadores esperam que este sistema possa ser ampliado, estendido para problemas de aprendizado de máquina de nível superior, e levar a novas aplicações do caos do laser no campo da inteligência artificial.

© 2017 Phys.org