Ny forskning viser hvordan hjernelignende datamaskiner kan revolusjonere blockchain og AI

Forskere fra Technische Universität Dresden i Tyskland publiserte nylig banebrytende forskning som viser frem en ny materialdesign for nevromorf databehandling, en teknologi som kan ha revolusjonerende implikasjoner for både blokkjede og AI.

Ved å bruke en teknikk kalt "reservoarberegning" utviklet teamet en metode for mønstergjenkjenning som bruker en virvel av magnoner for å utføre algoritmiske funksjoner nesten øyeblikkelig.

Ikke bare utviklet og testet forskerne det nye reservoarmaterialet, men de demonstrerte også potensialet for nevromorf databehandling til å fungere på en standard CMOS-brikke, noe som kan oppgradere både blokkjede og kunstig intelligens (AI).

Klassiske datamaskiner, som de som driver smarttelefoner, bærbare datamaskiner og de fleste av verdens superdatamaskiner, bruker binære transistorer som enten kan være på eller av (uttrykt som enten en "en" eller "null").

Nevromorfe datamaskiner bruker programmerbare fysiske kunstige nevroner for å imitere organisk hjerneaktivitet. I stedet for å behandle binære filer, sender disse systemene signaler på tvers av forskjellige mønstre av nevroner med tilleggsfaktoren tid.

Grunnen til at dette er viktig for feltene blockchain og AI, spesielt, er fordi nevromorfe datamaskiner er grunnleggende egnet for mønstergjenkjenning og maskinlæringsalgoritmer.

Binære systemer bruker boolsk algebra for å beregne. Av denne grunn forblir klassiske datamaskiner uimotsagt når det kommer til knasende tall. Men når det gjelder mønstergjenkjenning, spesielt når dataene er støyende eller mangler informasjon, sliter disse systemene.

Dette er grunnen til at det tar en betydelig mengde tid for klassiske systemer å løse komplekse kryptografiske gåter, og hvorfor de er helt uegnet for situasjoner der ufullstendige data hindrer en matematikkbasert løsning.

I finans-, AI- og transportsektorene, for eksempel, er det en uendelig tilstrømning av sanntidsdata. Klassiske datamaskiner sliter med okkluderte problemer - utfordringen med førerløse biler, for eksempel, har så langt vist seg vanskelig å redusere til en serie "sant/falsk" dataproblemer.

Imidlertid er nevromorfe datamaskiner bygget for å håndtere problemer som involverer mangel på informasjon. I transportindustrien er det umulig for en klassisk datamaskin å forutsi trafikkflyten fordi det er for mange uavhengige variabler. En nevromorf datamaskin kan hele tiden reagere på sanntidsdata fordi den ikke behandler datapunkter ett om gangen.

I stedet kjører nevromorfe datamaskiner data gjennom mønsterkonfigurasjoner som fungerer litt som den menneskelige hjernen. Menneskelige hjerner blinker spesifikke mønstre i forhold til spesifikke nevrale funksjoner, og både mønstrene og funksjonene kan endre seg over tid.

Relatert: Hvordan påvirker kvanteberegning finansnæringen?

Hovedfordelen med nevromorfisk databehandling er at i forhold til klassisk og kvantedatabehandling, er nivået av strømforbruk ekstremt lavt. Dette betyr at nevromorfe datamaskiner kan redusere kostnadene betraktelig når det gjelder tid og energi når det gjelder både drift av en blokkjede og utvinning av nye blokker på eksisterende blokkjeder.

Nevromorfe datamaskiner kan også gi betydelig hastighet for maskinlæringssystemer, spesielt de som har grensesnitt med sensorer i den virkelige verden (selvkjørende biler, roboter) eller de som behandler data i sanntid (kryptomarkedsanalyse, transportknutepunkter).

Samle denne artikkelen som en NFT for å bevare dette øyeblikket i historien og vise din støtte til uavhengig journalistikk i kryptorommet.