Forskare från Technische Universität Dresden i Tyskland för inte så länge sedan publicerade banbrytande analys som avslöjar en helt ny materialdesign för neuromorfisk datoranvändning, en expertis som skulle få revolutionerande implikationer för varje blockkedja och AI.
Med hjälp av ett sätt som kallas "reservoarberäkning", utvecklade besättningen en provigenkänningsteknik som använder en magnonvirvel för att utföra algoritmiska funktioner praktiskt taget omedelbart.
Det verkar sofistikerat som ett resultat av det. Bildförsörjning, Naturartikel, Korber et. al., Mönsterigenkänning i ömsesidigt utrymme med hjälp av en magnonspridningsreservoar
De utvecklade och undersökte inte bara de helt nya reservoarmaterialen, utan visade dessutom potentialen för neuromorfisk datoranvändning att fungera på ett vanligt CMOS-chip, vilket är möjligt. vänd den upp och ner varje blockchain och AI.
Grundläggande datorsystem, som liknar dem som driver våra smartphones, bärbara datorer och många av världens superdatorer, använder binära transistorer som kan vara både på eller av (uttryckt som "ett" eller "noll").
Neuromorfa datorsystem använder programmerbara kroppssyntetiska neuroner för att imitera naturliga sinnesövningar. Som ett alternativ till att bearbeta binär information skickar dessa tekniker varningar från helt andra mönster av neuroner med den extra tidsfrågan.
Den logiska grunden som är särskilt viktig för blockchain- och AI-fält är att neuromorfa datorsystem i huvudsak är lämpade för provigenkänning och maskinstudiealgoritmer.
Binära tekniker använder boolesk algebra för beräkning. Av den anledningen förblir traditionella datorsystem oemotsagda i förhållande till att beräkna siffror. Icke desto mindre, när det gäller provigenkänning, särskilt när informationen är bullrig eller saknar data, kämpar dessa tekniker.
På grund av detta tar klassiska tekniker mycket lång tid att lösa komplicerade kryptografiska pussel och är helt olämpliga för förhållanden där ofullständig information förhindrar en matematisk upplösning.
Inom ekonomi, syntetisk intelligens och transport, till exempel, finns det en oändlig rörelse av realtidsinformation. Grundläggande datorsystem slåss med dolda problem - problemet med självkörande bilar, till exempel, har hittills varit svårt att skära ner till en sekvens av "sant/falskt" beräkningsproblem.
Ändå är neuromorfa datorsystem särskilt utformade för att ta hand om problem där det saknas förståelse. Inom transportbranschen är det otänkbart för en klassisk bärbar dator att förutsäga webbplatsbesökare att flytta till följd av att det finns för många opartiska variabler. En neuromorf bärbar dator kan ständigt reagera på realtidsinformation eftersom den inte har informationsfaktorer individuellt.
Som ett alternativ, neuromorfa datorsystem informationsförlopp genom provkonfigurationer som fungerar mycket likt det mänskliga sinnet. Våra hjärnor blinkar med säkra mönster förknippade med säkra neurala egenskaper, och var och en av mönstren och funktionerna kan göra det byta över tid.
Associerad: Hur påverkar kvantberäkning den monetära verksamheten?
Den huvudsakliga fördelen med neuromorfisk beräkning är att den är extra effektiv i jämförelse med klassisk och kvantberäkning konsumtion är utomordentligt lågt. Vilket innebär att neuromorfa datorsystem avsevärt kan minska tiden och energipriserna för varje som arbetar med en blockkedja och bryter nya block på nuvarande blockkedjor.
Neuromorfa datorsystem kan dessutom avsevärt påskynda maskinstudietekniker, särskilt de som pratar med verkliga sensorer (självkörande bilar, robotar) eller de som ger information i realtid (kryptomarknadsanalyser, transportnav).
