Saksan Technische Universität Dresdenin tutkijat ei liian kauan sitten julkaistu uraauurtava analyysi, joka paljastaa upouuden materiaalisuunnittelun neuromorfiseen laskentaan, asiantuntemuksella, jolla olisi vallankumouksellisia vaikutuksia jokaiseen lohkoketjuun ja tekoälyyn.
Miehistö kehitti "säiliölaskentana" tunnettua tapaa hyödyntäen näytteentunnistustekniikan, joka käyttää magnonpyörtettä algoritmisten ominaisuuksien suorittamiseen lähes välittömästi.
Se näyttää hienostuneelta sen seurauksena. Kuvavarasto, luontoartikkeli, Korber et. al., Kuvioiden tunnistus käänteisavaruudessa magnoninsirontasäiliön avulla
He eivät pelkästään kehittäneet ja tutkineet upouusia säiliömateriaaleja, vaan osoittivat lisäksi neuromorfisen tietojenkäsittelyn mahdollisuuden toimia tavallisella CMOS-sirulla, mikä on mahdollista. käännä se ylösalaisin jokainen lohkoketju ja tekoäly.
Perustietokonejärjestelmät, jotka muistuttavat älypuhelimiemme, kannettavien tietokoneiden ja monien maailman supertietokoneiden energianlähteitä, käyttävät binääritransistoreja, jotka voivat olla joko päällä tai pois päältä (ilmaistuna "yksi" tai "nolla").
Neuromorfiset tietokonejärjestelmät käyttävät ohjelmoitavia kehon synteettisiä neuroneja jäljittelemään luonnollista mielenharjoitusta. Vaihtoehtona binääritietojen käsittelylle nämä tekniikat lähettävät hälytyksiä täysin erilaisista hermosolumalleista, joihin on lisätty aikaongelma.
Lohkoketju- ja tekoälykenttien kannalta erityisen tärkeä peruste on, että neuromorfiset tietokonejärjestelmät soveltuvat pohjimmiltaan näytteiden tunnistus- ja koneentutkimisalgoritmeihin.
Binääritekniikat käyttävät Boolen algebraa laskennassa. Tästä syystä perinteiset tietokonejärjestelmät pysyvät haastamattomina lukujen laskennassa. Näytetunnistukseen liittyen, varsinkin kun tiedot ovat meluisia tai niistä puuttuu tietoja, nämä tekniikat taistelevat.
Tästä johtuen klassisilla tekniikoilla kestää hyvin kauan ratkaista monimutkaisia kryptografisia arvoituksia, ja ne ovat täysin sopimattomia olosuhteisiin, joissa epätäydellinen tieto estää matemaattisen ratkaisun.
Esimerkiksi rahoituksessa, synteettisessä älykkyydessä ja liikenteessä reaaliaikaista tietoa liikkuu loputtomasti. Perustietokonejärjestelmät taistelevat piiloongelmia vastaan – esimerkiksi itseohjautuvien autojen ongelma on tähän asti ollut vaikeaa lyhentää "tosi/epätosi" laskentaongelmien sarjaksi.
Siitä huolimatta neuromorfiset tietokonejärjestelmät on erityisesti suunniteltu huolehtimaan asioista, joita ei ymmärretä. Kuljetusalalla on mahdotonta kuvitella, että klassinen kannettava tietokone ennustaisi kävijöiden muuttamisen, koska puolueettomia muuttujia on liikaa. Neuromorfinen kannettava tietokone voi jatkuvasti reagoida reaaliaikaiseen tietoon, koska se ei kulje tietotekijöistä erikseen.
Vaihtoehtona neuromorfisten tietokonejärjestelmien tiedonkulku mallikonfiguraatioilla, jotka toimivat hyvin samankaltaisesti kuin ihmismieli. Aivomme vilkkuvat tiettyihin hermoominaisuuksiin liittyviä malleja, ja jokainen kuvio ja piirre voivat tehdä sen muuttaa ajan myötä.
liittyvä: Miten kvanttilaskenta vaikuttaa rahaliiketoimintaan?
Neuromorfisen laskennan periaatteellinen etu on, että se on erittäin tehokas verrattuna klassiseen ja kvanttilaskentaan. kulutus on poikkeuksellisen alhainen. Mikä tarkoittaa, että neuromorfiset tietokonejärjestelmät voivat vähentää huomattavasti kunkin lohkoketjun työskentelyn ja uusien lohkojen louhimisen aikaa ja tehon hintoja nykyisistä lohkoketjuista.
Neuromorfiset tietokonejärjestelmät voivat lisäksi nopeuttaa huomattavasti koneentutkimustekniikoita, erityisesti niitä, jotka puhuvat reaalimaailman antureilla (itse ajavat autot, robotit) tai ne, jotka välittävät tietoa reaaliajassa (salausmarkkinoiden analytiikka, kuljetuskeskukset).
