Forskere fra Technische Universität Dresden i Tyskland for ikke så lenge siden publisert banebrytende analyse som avslører et helt nytt materialdesign for nevromorf databehandling, en ekspertise som vil ha revolusjonerende implikasjoner for hver blokkjede og AI.
Ved å bruke en måte kjent som "reservoarberegning", utviklet mannskapet en prøvegjenkjenningsteknikk som bruker en magnonvirvel for å utføre algoritmiske funksjoner praktisk talt øyeblikkelig.
Det virker sofistikert som et resultat av det. Bildeforsyning, Naturartikkel, Korber et. al., Mønstergjenkjenning i gjensidig rom ved hjelp av et magnon-spredningsreservoar
De utviklet og undersøkte ikke bare de splitter nye reservoarmaterialene, men demonstrerte i tillegg potensialet for nevromorf databehandling til å fungere på en vanlig CMOS-brikke, noe som er gjennomførbart snu den opp ned hver blokkjede og AI.
Grunnleggende datasystemer, som ligner de som driver våre smarttelefoner, bærbare datamaskiner og mange av verdens superdatamaskiner, bruker binære transistorer som kan være både på eller av (uttrykt som "én" eller "null").
Nevromorfe datasystemer bruker programmerbare kroppslige syntetiske nevroner for å imitere naturlig sinnstrening. Som et alternativ til å behandle binær informasjon, sender disse teknikkene varsler fra helt andre mønstre av nevroner med ekstra tidsproblem.
Begrunnelsen som er spesielt viktig for blokkjede- og AI-felt er at nevromorfe datasystemer i hovedsak er egnet til prøvegjenkjenning og maskinstuderende algoritmer.
Binære teknikker bruker boolsk algebra for beregning. Av den grunn forblir tradisjonelle datasystemer uimotsagt i forhold til å beregne tall. Ikke desto mindre, i forhold til prøvegjenkjenning, spesielt når informasjonen er støyende eller mangler data, kjemper disse teknikkene.
På grunn av dette tar klassiske teknikker svært lang tid å løse kompliserte kryptografiske gåter og er helt uegnet for forhold der ufullstendig informasjon forhindrer en matematisk oppløsning.
Innen finans, syntetisk intelligens og transport, for eksempel, er det en uendelig bevegelse av sanntidsinformasjon. Grunnleggende datasystemer kjemper med skjulte problemer - problemet med selvkjørende biler, for eksempel, har til nå vært vanskelig å kutte ned til en sekvens av "sant/usant" beregningsproblemer.
Ikke desto mindre er nevromorfe datasystemer spesielt utviklet for å ta seg av problemer der det er mangel på forståelse. Innenfor transportbransjen er det utenkelig for en klassisk bærbar datamaskin å forutsi at besøkende flytter seg som et resultat av at det er for mange objektive variabler. En nevromorf bærbar PC kan kontinuerlig reagere på sanntidsinformasjon som et resultat av at det ikke forløper av informasjonsfaktorer individuelt.
Som et alternativ, nevromorfe datasystemer informasjonsforløp ved prøvekonfigurasjoner som fungerer veldig likt det menneskelige sinnet. Hjernene våre blinker med sikre mønstre knyttet til sikre nevrale funksjoner, og hvert av mønstrene og funksjonene kan gjøre det endring over tid.
Assosiert: Hvordan påvirker kvanteberegning pengevirksomheten?
Hovedfordelen med nevromorf databehandling er at den er ekstra effektiv sammenlignet med klassisk og kvantedatabehandling forbruk er usedvanlig lav. Noe som betyr at nevromorfe datasystemer kan redusere tiden og kraftprisene betraktelig for hver som jobber med en blokkjede og utvinner nye blokker på eksisterende blokkjeder.
Nevromorfe datasystemer kan i tillegg øke hastigheten på maskinstudieteknikker betydelig, spesielt de som snakker med virkelige sensorer (selvkjørende biler, roboter) eller de som gir informasjon i sanntid (kryptomarkedsanalyse, transportknutepunkter).