Onderzoekers van de Technische Universität Dresden in Duitsland niet zo lang geleden gepubliceerde baanbrekende analyse die een gloednieuw materiaalontwerp voor neuromorphic computing onthult, een expertise die revolutionaire implicaties zou hebben voor elke blockchain en AI.
Gebruikmakend van een manier die bekend staat als 'reservoir computing', ontwikkelde de bemanning een monsterherkenningstechniek die gebruik maakt van een magnon-vortex om algoritmische functies vrijwel onmiddellijk uit te voeren.
Het lijkt geavanceerd als resultaat van zijn. Beeldaanbod, Nature-artikel, Korber et. al., Patroonherkenning in de wederzijdse ruimte met behulp van een magnonverstrooiingsreservoir
Ze ontwikkelden en onderzochten niet alleen de gloednieuwe reservoirmaterialen, maar demonstreerden ook het potentieel van neuromorphic computing om te werken op een gewone CMOS-chip, wat mogelijk is draai het onderste boven elke blockchain en AI.
Basiscomputersystemen, die lijken op degenen die onze smartphones, laptops en veel van 's werelds supercomputers van energie voorzien, gebruiken binaire transistors die zowel aan als uit kunnen zijn (uitgedrukt als "een" of "nul").
Neuromorfe computersystemen gebruiken programmeerbare lichamelijke synthetische neuronen om natuurlijke geestesoefeningen na te bootsen. Als alternatief voor het verwerken van binaire informatie, verzenden deze technieken waarschuwingen door volledig verschillende patronen van neuronen met het toegevoegde tijdsprobleem.
De grondgedachte die met name van vitaal belang is voor blockchain- en AI-velden, is dat neuromorfe computersystemen in wezen geschikt zijn voor algoritmen voor het herkennen van monsters en het bestuderen van machines.
Binaire technieken gebruiken Booleaanse algebra voor berekeningen. Om die reden blijven traditionele computersystemen onbetwist als het gaat om het berekenen van getallen. Desalniettemin strijden deze technieken met betrekking tot monsterherkenning, vooral wanneer de informatie luidruchtig is of geen gegevens bevat.
Hierdoor nemen klassieke technieken erg veel tijd in beslag om gecompliceerde cryptografische puzzels op te lossen en zijn ze volkomen ongeschikt voor omstandigheden waarin onvolledige informatie een wiskundige oplossing in de weg staat.
In bijvoorbeeld financiën, synthetische intelligentie en transport is er een oneindige beweging van real-time informatie. Basiscomputersystemen worstelen met verborgen problemen - het probleem van zelfrijdende auto's, bijvoorbeeld, is tot nu toe moeilijk terug te brengen tot een opeenvolging van "waar/onwaar" rekenproblemen.
Desalniettemin zijn neuromorfe computersystemen speciaal ontworpen om problemen op te lossen waar er een gebrek aan begrip is. Binnen de transportsector is het ondenkbaar dat een klassieke laptop de verplaatsing van sitebezoekers kan voorspellen omdat er te veel onbevooroordeelde variabelen zijn. Een neuromorfe laptop kan continu reageren op real-time informatie omdat het geen afzonderlijke informatiefactoren bevat.
Als alternatief kunnen neuromorfe computersystemen informatie verstrekken door voorbeeldconfiguraties die sterk lijken op de menselijke geest. Onze hersenen knipperen bepaalde patronen die verband houden met bepaalde neurale kenmerken, en alle patronen en kenmerken kunnen dat doen verandering na verloop van tijd.
Geassocieerd: Hoe beïnvloedt kwantumcomputing de monetaire zaken?
Het belangrijkste voordeel van neuromorphic computing is dat het extra effectief is in vergelijking met klassieke en quantum computing consumptie is buitengewoon laag. Wat betekent dat neuromorfe computersystemen de tijd en stroomprijzen aanzienlijk kunnen verlagen van elk werken aan een blockchain en het delven van nieuwe blokken op huidige blockchains.
Neuromorfe computersystemen kunnen ook de technieken voor het bestuderen van machines aanzienlijk versnellen, vooral degenen die communiceren met real-world sensoren (zelfrijdende auto's, robots) of degenen die informatie in realtime verwerken (crypto-marktanalyses, transporthubs).
