Forscher der Technischen Universität Dresden in Deutschland vor nicht allzu langer Zeit veröffentlicht Eine bahnbrechende Studie enthüllt ein neues Materialdesign für neuromorphes Computing, eine Technologie, die revolutionäre Auswirkungen sowohl auf die Blockchain als auch auf die KI haben würde.
Unter Verwendung einer als „Reservoir-Computing“ bekannten Methode entwickelte das Team eine Probenerkennungstechnik, die einen Magnon-Wirbel nutzt, um algorithmische Funktionen nahezu augenblicklich auszuführen.
Dadurch wirkt es raffiniert. Bildmaterial, Naturartikel, Korber et. al., Mustererkennung im reziproken Raum mithilfe eines Magnonenstreureservoirs
Sie haben nicht nur die neuen Reservoirmaterialien entwickelt und untersucht, sondern auch gezeigt, dass neuromorphes Computing auf einem herkömmlichen CMOS-Chip funktionieren kann, was machbar ist Drehe es um Sowohl Blockchain als auch KI.
Grundlegende Computersysteme, die denen ähneln, die unsere Smartphones, Laptops und viele Supercomputer der Welt mit Strom versorgen, verwenden binäre Transistoren, die sowohl ein- als auch ausgeschaltet sein können (ausgedrückt als „Eins“ oder „Null“).
Neuromorphe Computersysteme verwenden programmierbare körperlich synthetische Neuronen, um natürliche Gehirnübungen zu imitieren. Anstatt binäre Informationen zu verarbeiten, senden diese Systeme Warnungen durch verschiedene Neuronenmuster mit dem zusätzlichen Zeitaufwand.
Der für Blockchain- und KI-Bereiche besonders wichtige Grundgedanke ist, dass neuromorphe Computersysteme grundsätzlich für die Probenerkennung und maschinelle Lernalgorithmen geeignet sind.
Binäre Techniken verwenden zur Berechnung die Boolesche Algebra. Aus diesem Grund bleiben herkömmliche Computersysteme in Bezug auf die Berechnung von Zahlen unangefochten. Allerdings sind diese Techniken in Bezug auf die Probenerkennung problematisch, insbesondere wenn die Informationen verrauscht sind oder Daten fehlen.
Aus diesem Grund benötigen klassische Techniken sehr viel Zeit, um komplizierte kryptografische Rätsel zu lösen, und sind völlig ungeeignet für Situationen, in denen unvollständige Informationen einer mathematischen Lösung entgegenstehen.
Im Finanzwesen, in der künstlichen Intelligenz und im Transportwesen beispielsweise gibt es eine endlose Bewegung von Echtzeitinformationen. Grundlegende Computersysteme kämpfen mit versteckten Problemen – das Problem selbstfahrender Autos beispielsweise ließ sich bisher nur schwer auf eine Abfolge von „wahr/falsch“-Berechnungsproblemen reduzieren.
Allerdings sind neuromorphe Computersysteme besonders darauf ausgelegt, Probleme zu lösen, bei denen es an Verständnis mangelt. In der Transportbranche ist es für einen herkömmlichen Laptop nicht möglich, den Standortverkehr vorherzusagen, da es zu viele unabhängige Variablen gibt. Ein neuromorpher Laptop kann kontinuierlich auf Echtzeitinformationen reagieren, da er die Informationsfaktoren nicht einzeln verarbeitet.
Stattdessen verarbeiten neuromorphe Computersysteme Informationen anhand von Beispielkonfigurationen, die dem menschlichen Gehirn sehr ähnlich sind. Unser Gehirn blinkt bestimmte Muster, die bestimmten neuronalen Funktionen zugeordnet sind, und sowohl die Muster als auch die Funktionen können dies bewirken Übernehmen im Laufe der Zeit.
Damit verbundenen: Wie wirkt sich Quantencomputing auf das Finanzgeschäft aus?
Der Hauptvorteil des neuromorphen Computing besteht darin, dass es im Vergleich zum klassischen Computing und zum Quantencomputing leistungsfähiger ist Verbrauch ist außerordentlich niedrig. Das bedeutet, dass neuromorphe Computersysteme die Zeit und die Energiekosten für die Arbeit an einer Blockchain und das Mining neuer Blöcke auf bestehenden Blockchains erheblich reduzieren könnten.
Neuromorphe Computersysteme könnten auch maschinelle Lernprozesse erheblich beschleunigen, insbesondere solche, die mit realen Sensoren kommunizieren (selbstfahrende Autos, Roboter) oder solche, die Informationen in Echtzeit verarbeiten (Kryptomarktanalysen, Verkehrsknotenpunkte).