Saksalaisen Technische Universität Dresdenin tutkijat julkaisivat äskettäin läpimurtotutkimuksen, joka esitteli uutta materiaalisuunnittelua neuromorfiseen laskentaan, tekniikkaan, jolla voi olla vallankumouksellisia vaikutuksia sekä lohkoketjuun että tekoälyyn.
Käyttämällä tekniikkaa, jota kutsutaan "reservoir computing" -tekniikaksi, ryhmä kehitti muodontunnistusmenetelmän, joka käyttää magnonien pyörteitä suorittamaan algoritmitoimintoja lähes välittömästi.
Sen lisäksi, että tutkijat kehittävät ja testasivat uutta säiliömateriaalia, he myös osoittivat neuromorfisen tietojenkäsittelyn mahdollisuudet toimia tavallisella CMOS-sirulla, mikä voisi kaataa sekä lohkoketjun että tekoälyn (AI).
Klassisissa tietokoneissa, kuten älypuhelimissa, kannettavissa tietokoneissa ja suurimmassa osassa maailman supertietokoneita, käytetään binääritransistoreja, jotka voivat olla joko päällä tai pois päältä (joko "yksi" tai "nolla").
Neuromorfiset tietokoneet käyttävät ohjelmoitavia fyysisiä keinotekoisia hermosoluja jäljittelemään orgaanista aivotoimintaa. Binaarien käsittelyn sijaan nämä järjestelmät lähettävät signaaleja erilaisten hermosolujen kautta lisättynä aikatekijänä.
Syy tämä on tärkeä lohkoketjun ja tekoälyn aloille erityisesti siksi, että neuromorfiset tietokoneet soveltuvat pohjimmiltaan hahmontunnistus- ja koneoppimisalgoritmeihin.
Binäärijärjestelmät käyttävät loogista algebraa laskemiseen. Tästä syystä klassiset tietokoneet pysyvät haastamattomina numeroiden murskauksessa. Kuitenkin, kun kyse on hahmontunnistuksesta, varsinkin kun data on kohinaa tai puuttuu tietoja, nämä järjestelmät kamppailevat.
Tästä syystä perinteisiltä järjestelmiltä kuluu huomattavan paljon aikaa monimutkaisten salaustehtävien ratkaisemiseen ja miksi ne eivät sovellu tilanteisiin, joissa puutteellinen data estää matemaattiseen ratkaisuun perustuvan ratkaisun.
Esimerkiksi rahoitus-, tekoäly- ja kuljetussektorilla reaaliaikaista dataa on loputtomasti. Klassiset tietokoneet kamppailevat tukkeutuneiden ongelmien kanssa – esimerkiksi kuljettamattomien autojen haaste on toistaiseksi osoittautunut vaikeaksi pelkistää sarjaksi "tosi/väärä" laskentaongelmia.
Neuromorfiset tietokoneet on kuitenkin rakennettu käsittelemään ongelmia, joihin liittyy tiedon puutetta. Kuljetusalalla klassisen tietokoneen on mahdotonta ennustaa liikenteen sujuvuutta, koska riippumattomia muuttujia on liikaa. Neuromorfinen tietokone voi jatkuvasti reagoida reaaliaikaiseen dataan, koska se ei käsittele datapisteitä yksi kerrallaan.
Sen sijaan neuromorfiset tietokoneet käyttävät tietoja kuviokonfiguraatioiden kautta, jotka toimivat jossain määrin kuin ihmisen aivot. Ihmisen aivot välähtävät tiettyjä kuvioita suhteessa tiettyihin hermotoimintoihin, ja sekä kuviot että toiminnot voivat muuttua ajan myötä.
Related: Miten kvanttilaskenta vaikuttaa rahoitusalaan?
Neuromorfisen laskennan tärkein etu on, että sen virrankulutus on erittäin alhainen verrattuna klassiseen ja kvanttilaskentaan. Tämä tarkoittaa, että neuromorfiset tietokoneet voivat vähentää merkittävästi ajan ja energian kustannuksia, kun on kyse sekä lohkoketjun käytöstä että uusien lohkojen louhinnasta olemassa olevista lohkoketjuista.
Neuromorfiset tietokoneet voisivat myös tarjota merkittävää nopeutta koneoppimisjärjestelmille, erityisesti niille, jotka ovat yhteydessä reaalimaailman sensoreihin (itse ajavat autot, robotit) tai niihin, jotka käsittelevät tietoja reaaliajassa (salausmarkkina-analyysi, kuljetuskeskukset).
Kerää tämä artikkeli NFT:ksi säilyttääksesi tämän hetken historiassa ja osoittaaksesi tukesi riippumattomalle journalismille kryptoavaruudessa.
Lähde: https://cointelegraph.com/news/new-research-shows-how-brain-like-computers-could-revolutionize-blockchain-and-ai