Investigadores de Technische Universität Dresden en Alemania no hace mucho tiempo publicado análisis innovador que revela un nuevo diseño de materiales para la computación neuromórfica, una tecnología que tendría implicaciones revolucionarias tanto para la cadena de bloques como para la IA.
Utilizando una forma conocida como 'computación de depósito', el equipo desarrolló una técnica de reconocimiento de muestras que utiliza un vórtice magnon para llevar a cabo funciones algorítmicas de forma prácticamente instantánea.
Parece sofisticado como resultado de su. Suministro de imágenes, artículo de Nature, Korber et. Alabama., Reconocimiento de patrones en el espacio recíproco utilizando un depósito de dispersión magnon
No solo desarrollaron y examinaron los nuevos materiales del depósito, sino que también demostraron el potencial de la computación neuromórfica para funcionar en un chip CMOS normal, lo cual es factible. gíralo boca abajo cada blockchain e IA.
Los sistemas informáticos básicos, similares a los que alimentan nuestros teléfonos inteligentes, computadoras portátiles y muchas de las supercomputadoras del mundo, usan transistores binarios que pueden estar encendidos o apagados (expresados como "uno" o "cero").
Los sistemas informáticos neuromórficos utilizan neuronas sintéticas corporales programables para imitar el ejercicio mental natural. En lugar de procesar datos binarios, estas técnicas envían alertas por diferentes patrones de neuronas con el problema del tiempo adicional.
La razón que es particularmente importante para los campos de la cadena de bloques y la IA es que los sistemas informáticos neuromórficos son esencialmente adecuados para el reconocimiento de muestras y algoritmos de aprendizaje automático.
Las técnicas binarias usan álgebra booleana para el cálculo. Por esa razón, los sistemas informáticos tradicionales no se cuestionan en relación con el cálculo de números. Sin embargo, cuando se trata de reconocimiento de muestras, especialmente cuando la información es ruidosa o carece de datos, estas técnicas luchan.
Debido a esto, las técnicas clásicas toman mucho tiempo para resolver acertijos criptográficos complicados y son completamente inadecuadas para condiciones en las que la información incompleta impide una resolución matemática.
En finanzas, inteligencia sintética y transporte, por ejemplo, hay un movimiento interminable de información en tiempo real. Los sistemas informáticos básicos luchan con problemas ocultos: el problema de los automóviles autónomos, por ejemplo, hasta ahora ha sido difícil de reducir a una secuencia de problemas de cálculo de "verdadero/falso".
Sin embargo, los sistemas informáticos neuromórficos están especialmente diseñados para solucionar problemas en los que hay una falta de comprensión. En la industria del transporte, es imposible que una computadora portátil tradicional pronostique el movimiento de los visitantes del sitio porque hay demasiadas variables imparciales. Una computadora portátil neuromórfica puede reaccionar continuamente a la información en tiempo real porque no procesa los factores de información individualmente.
Como alternativa, los sistemas informáticos neuromórficos procesan información mediante configuraciones de muestra que funcionan de manera muy similar a la mente humana. Nuestros cerebros parpadean ciertos patrones asociados a ciertas funciones neuronales, y tanto los patrones como las funciones pueden hacer eso. el cambio horas extra.
Asociado: ¿Cómo está afectando la computación cuántica al negocio monetario?
El principal beneficio de la computación neuromórfica es que es más poderosa en comparación con la computación clásica y cuántica. consumo es extraordinariamente bajo. Lo que significa que los sistemas informáticos neuromórficos podrían reducir considerablemente el tiempo y los costos de energía de trabajar en una cadena de bloques y extraer nuevos bloques en las cadenas de bloques actuales.
Los sistemas informáticos neuromórficos también pueden acelerar significativamente las técnicas de aprendizaje automático, especialmente aquellas que interactúan con sensores del mundo real (automóviles autónomos, robots) o aquellas que procesan datos en tiempo real (análisis de criptomercado, centros de transporte).
