Forskere fra Technische Universität Dresden i Tyskland for ikke så længe siden offentliggjort banebrydende analyse, der afslører et helt nyt materialedesign til neuromorf computing, en ekspertise, der ville have revolutionerende implikationer for hver blockchain og AI.
Ved at bruge en måde kendt som 'reservoir computing' udviklede besætningen en prøvegenkendelsesteknik, der gør brug af en magnon-hvirvel til at udføre algoritmiske funktioner praktisk talt øjeblikkeligt.
Det virker sofistikeret som et resultat af det. Billedforsyning, Naturartikel, Korber et. al., Mønstergenkendelse i gensidigt rum ved hjælp af et magnon-spredningsreservoir
De udviklede og undersøgte ikke kun de helt nye reservoirmaterialer, men demonstrerede desuden potentialet for neuromorfisk databehandling til at fungere på en almindelig CMOS-chip, hvilket er muligt vende den på hovedet hver blockchain og AI.
Grundlæggende computersystemer, der ligner dem, der giver energi til vores smartphones, bærbare computere og mange af verdens supercomputere, bruger binære transistorer, der kan være både tændt eller slukket (udtrykt som "én" eller "nul").
Neuromorfe computersystemer bruger programmerbare kropslige syntetiske neuroner til at efterligne naturlig sindøvelse. Som et alternativ til at behandle binær information sender disse teknikker advarsler fra helt andre mønstre af neuroner med det ekstra tidsproblem.
Begrundelsen, der især er afgørende for blockchain- og AI-felter, er, at neuromorfe computersystemer i det væsentlige er egnede til prøvegenkendelse og maskinstuderende algoritmer.
Binære teknikker bruger boolsk algebra til beregning. Af den grund forbliver traditionelle computersystemer uanfægtede i forhold til at beregne tal. Ikke desto mindre, i forhold til prøvegenkendelse, især når informationen er støjende eller mangler data, kæmper disse teknikker.
På grund af dette tager klassiske teknikker meget lang tid at løse komplicerede kryptografiske gåder og er fuldstændig uegnede til forhold, hvor ufuldstændig information forhindrer en matematisk opløsning.
Inden for finans, syntetisk intelligens og transport er der for eksempel en uendelig bevægelse af realtidsinformation. Grundlæggende computersystemer kæmper med skjulte problemer - problemet med selvkørende biler har for eksempel indtil nu været svært at skære tilbage til en sekvens af "sand/falsk" beregningsproblemer.
Ikke desto mindre er neuromorfe computersystemer specielt designet til at tage sig af problemer, hvor der er mangel på forståelse. Inden for transportbranchen er det utænkeligt for en klassisk bærbar computer at forudsige besøgende på webstedet, fordi der er for mange uvildige variabler. En neuromorf bærbar computer kan hele tiden reagere på information i realtid, fordi den ikke har informationsfaktorer individuelt.
Som et alternativ, neuromorfe computersystemer forløb af information ved prøve konfigurationer, der fungerer meget lig det menneskelige sind. Vores hjerner blinker med sikre mønstre forbundet med sikre neurale træk, og hver mønstre og funktioner kan gøre det lave om over tid.
Tilknyttet: Hvordan påvirker kvanteberegning den monetære forretning?
Den principielle fordel ved neuromorfisk databehandling er, at den er ekstra meget effektiv sammenlignet med klassisk og kvantedatabehandling forbrug er ekstraordinært lavt. Hvilket betyder, at neuromorfe computersystemer kan reducere tids- og strømpriserne betydeligt for hver gang, der arbejder med en blockchain og udvinder nye blokke på nuværende blockchains.
Neuromorfe computersystemer kan desuden fremskynde maskinstudieteknikker betydeligt, især dem, der taler med sensorer fra den virkelige verden (selvkørende biler, robotter) eller dem, der giver information i realtid (kryptomarkedsanalyse, transportknudepunkter).
