Ricercatori della Technische Universität Dresden in Germania non molto tempo fa pubblicato un'analisi rivoluzionaria che svela un nuovissimo design di materiali per il calcolo neuromorfico, un'esperienza che avrebbe implicazioni rivoluzionarie per ogni blockchain e intelligenza artificiale.
Utilizzando un metodo noto come "reservoir computing", l'equipaggio ha sviluppato una tecnica di riconoscimento del campione che fa uso di un vortice magnon per eseguire funzionalità algoritmiche praticamente istantaneamente.
Sembra sofisticato perché è. Fornitura di immagini, articolo Nature, Korber et. al., Riconoscimento di pattern nello spazio reciproco utilizzando un serbatoio di scattering magnon
Non solo hanno sviluppato ed esaminato i nuovissimi materiali del serbatoio, ma hanno anche dimostrato la possibilità che il calcolo neuromorfico funzioni su un normale chip CMOS, il che è fattibile. capovolgerlo ogni blockchain e AI.
I sistemi informatici di base, simili a quelli che alimentano i nostri smartphone, laptop e molti dei supercomputer del mondo, utilizzano transistor binari che possono essere sia accesi che spenti (espressi come "uno" o "zero").
I sistemi informatici neuromorfici utilizzano neuroni sintetici corporei programmabili per imitare l'esercizio mentale naturale. Invece di elaborare informazioni binarie, queste tecniche inviano avvisi da modelli di neuroni completamente diversi con l'ulteriore problema di tempo.
La logica che è particolarmente vitale per i campi blockchain e AI è che i sistemi informatici neuromorfici sono essenzialmente adatti al riconoscimento del campione e agli algoritmi di studio automatico.
Le tecniche binarie utilizzano l'algebra booleana per il calcolo. Per questo motivo, i sistemi informatici tradizionali rimangono incontrastati in relazione al calcolo dei numeri. Tuttavia, in relazione al riconoscimento del campione, in particolare quando le informazioni sono rumorose o mancano di dati, queste tecniche combattono.
Per questo motivo, le tecniche classiche impiegano molto tempo per risolvere complicati enigmi crittografici e sono del tutto inadatte a condizioni in cui informazioni incomplete prevengono una risoluzione matematica.
Nella finanza, nell'intelligenza sintetica e nei trasporti, ad esempio, c'è un movimento infinito di informazioni in tempo reale. I sistemi informatici di base combattono con problemi nascosti: il problema delle automobili a guida autonoma, ad esempio, è stato finora difficile da ridurre a una sequenza di problemi di calcolo "vero/falso".
Tuttavia, i sistemi informatici neuromorfici sono appositamente progettati per gestire problemi in cui c'è una mancanza di comprensione. Nel settore dei trasporti, è inimmaginabile per un laptop classico prevedere il movimento dei visitatori del sito perché ci sono troppe variabili imparziali. Un laptop neuromorfo può continuamente reagire ai dati in tempo reale perché non tiene conto dei fattori dei dati individualmente.
In alternativa, i sistemi informatici neuromorfici trasmettono informazioni mediante configurazioni campione che funzionano in modo molto simile alla mente umana. I nostri cervelli lampeggiano determinati schemi associati a determinate caratteristiche neurali, e sia i modelli che le caratteristiche possono farlo il cambiamento col tempo.
associato: In che modo il calcolo quantistico sta influenzando il business monetario?
Il principale vantaggio del calcolo neuromorfico è che è estremamente efficace rispetto al calcolo classico e quantistico consumo è straordinariamente basso. Ciò significa che i sistemi informatici neuromorfici potrebbero ridurre considerevolmente il tempo e i costi energetici di ciascuno che utilizza una blockchain ed estrae nuovi blocchi sulle attuali blockchain.
I sistemi informatici neuromorfici possono anche velocizzare considerevolmente i metodi di apprendimento automatico, in particolare quelli che comunicano con sensori del mondo reale (automobili a guida autonoma, robot) o quelli che trasmettono informazioni in tempo reale (analisi del mercato crittografico, hub di trasporto).
