Ny forskning viser, hvordan hjernelignende computere kan revolutionere blockchain og AI

Forskere fra Technische Universität Dresden i Tyskland har for nylig offentliggjort banebrydende forskning, der viser et nyt materialedesign til neuromorfisk databehandling, en teknologi, der kan have revolutionerende implikationer for både blockchain og AI.

Ved hjælp af en teknik kaldet "reservoir computing" udviklede holdet en metode til mønstergenkendelse, der bruger en hvirvel af magnoner til at udføre algoritmiske funktioner næsten øjeblikkeligt.

Ikke kun udviklede og testede forskerne det nye reservoirmateriale, men de demonstrerede også potentialet for neuromorfisk databehandling til at fungere på en standard CMOS-chip, noget der kunne hæve både blockchain og kunstig intelligens (AI).

Klassiske computere, såsom dem, der driver smartphones, bærbare computere og størstedelen af ​​verdens supercomputere, bruger binære transistorer, der enten kan være tændt eller slukket (udtrykt som enten en "en" eller "nul").

Neuromorfe computere bruger programmerbare fysiske kunstige neuroner til at efterligne organisk hjerneaktivitet. I stedet for at behandle binære filer sender disse systemer signaler på tværs af forskellige mønstre af neuroner med den ekstra tidsfaktor.

Grunden til, at dette er vigtigt for områderne blockchain og AI, er specifikt fordi neuromorfe computere er grundlæggende velegnede til mønstergenkendelse og maskinlæringsalgoritmer.

Binære systemer bruger boolsk algebra til at beregne. Af denne grund forbliver klassiske computere uanfægtede, når det kommer til knasende tal. Men når det kommer til mønstergenkendelse, især når dataene er støjende eller mangler information, kæmper disse systemer.

Det er derfor, det tager en betydelig mængde tid for klassiske systemer at løse komplekse kryptografiske gåder, og hvorfor de er fuldstændig uegnede til situationer, hvor ufuldstændige data forhindrer en matematikbaseret løsning.

I finans-, kunstig intelligens- og transportsektorerne er der for eksempel en uendelig tilstrømning af realtidsdata. Klassiske computere kæmper med okkluderede problemer - udfordringen med førerløse biler har for eksempel indtil videre vist sig at være svær at reducere til en række "sande/falske" computerproblemer.

Men neuromorfe computere er bygget til at håndtere problemer, der involverer mangel på information. I transportindustrien er det umuligt for en klassisk computer at forudsige trafikstrømmen, fordi der er for mange uafhængige variabler. En neuromorf computer kan konstant reagere på realtidsdata, fordi den ikke behandler datapunkter ét ad gangen.

I stedet kører neuromorfe computere data gennem mønsterkonfigurationer, der fungerer lidt som den menneskelige hjerne. Menneskers hjerner flasher specifikke mønstre i forhold til specifikke neurale funktioner, og både mønstrene og funktionerne kan ændre sig over tid.

Relateret: Hvordan påvirker quantum computing finansindustrien?

Den største fordel ved neuromorfisk databehandling er, at dens niveau af strømforbrug er ekstremt lavt i forhold til klassisk og kvantedatabehandling. Det betyder, at neuromorfe computere kan reducere omkostningerne i form af tid og energi betydeligt, når det kommer til både at drive en blockchain og udvinde nye blokke på eksisterende blockchains.

Neuromorfe computere kunne også give en betydelig fremskyndelse af maskinlæringssystemer, især dem, der interfacer med sensorer fra den virkelige verden (selvkørende biler, robotter) eller dem, der behandler data i realtid (kryptomarkedsanalyse, transportknudepunkter).

Saml denne artikel som en NFT at bevare dette øjeblik i historien og vise din støtte til uafhængig journalistik i kryptorummet.