基于激光混沌的超快光子强化学习
光学
2017-04-17 v1 人工智能
新兴技术
摘要
强化学习涉及动态不确定环境中的决策，是人工智能（AI）的重要组成部分之一。本文实验演示了激光的超快混沌振荡动力学能高效求解多臂老虎机问题（MAB），该问题要求在一类被称为探索-利用困境的艰难权衡中做出决策。为求解 MAB，需要一定程度的随机性用于探索目的。然而，利用传统电子电路生成的伪随机数因其算法基础，在数据速率和随机性质量方面遭遇严重限制。我们利用半导体激光器产生激光混沌信号，以最高 100 GSample/s 的速率采样，并将其与一种称为可变阈值拔河算法的简单决策原理相结合，以确保最高达 1 GHz 自适应速度的超快、自适应且准确的决策。我们发现，在最优采样间隔下决策性能最大化，并强调了激光混沌固有的负自相关与决策性能之间的精确吻合。该研究为 AI 时代的超快光子学开辟了新领域，其中光子的超高带宽可提供新价值。
引用
@article{arxiv.1704.04379,
title = {Ultrafast photonic reinforcement learning based on laser chaos},
author = {Makoto Naruse and Yuta Terashima and Atsushi Uchida and Song-Ju Kim},
journal= {arXiv preprint arXiv:1704.04379},
year = {2017}
}