Ny forskning visar hur hjärnliknande datorer kan revolutionera blockchain och AI

Forskare från Technische Universität Dresden i Tyskland publicerade nyligen banbrytande forskning som visar upp en ny materialdesign för neuromorfisk datoranvändning, en teknologi som kan få revolutionerande implikationer för både blockchain och AI.

Med hjälp av en teknik som kallas "reservoarberäkning" utvecklade teamet en metod för mönsterigenkänning som använder en virvel av magnoner för att utföra algoritmiska funktioner nästan omedelbart.

Forskarna utvecklade och testade inte bara det nya reservoarmaterialet, utan de visade också potentialen för neuromorfisk datoranvändning att fungera på ett standard CMOS-chip, något som kan häva både blockchain och artificiell intelligens (AI).

Klassiska datorer, som de som driver smartphones, bärbara datorer och majoriteten av världens superdatorer, använder binära transistorer som antingen kan vara på eller av (uttryckt som antingen en "ett" eller "noll").

Neuromorfa datorer använder programmerbara fysiska artificiella neuroner för att imitera organisk hjärnaktivitet. Istället för att bearbeta binärer, skickar dessa system signaler över olika mönster av neuroner med den extra tidsfaktorn.

Anledningen till att detta är viktigt för områdena blockchain och AI, specifikt, är att neuromorfa datorer är fundamentalt lämpade för mönsterigenkänning och maskininlärningsalgoritmer.

Binära system använder boolesk algebra för att beräkna. Av denna anledning förblir klassiska datorer oemotsagda när det kommer till knasande siffror. Men när det kommer till mönsterigenkänning, särskilt när data är bullriga eller saknar information, kämpar dessa system.

Det är därför det tar en betydande tid för klassiska system att lösa komplexa kryptografiska pussel och varför de är helt olämpliga för situationer där ofullständig data förhindrar en matematikbaserad lösning.

Inom finans-, AI- och transportsektorerna, till exempel, finns det ett oändligt flöde av realtidsdata. Klassiska datorer kämpar med tilltäppta problem - utmaningen med förarlösa bilar, till exempel, har hittills visat sig vara svår att reducera till en serie "sant/falskt" beräkningsproblem.

Däremot är neuromorfa datorer byggda för att hantera problem som innebär brist på information. Inom transportbranschen är det omöjligt för en klassisk dator att förutsäga trafikflödet eftersom det finns för många oberoende variabler. En neuromorf dator kan ständigt reagera på realtidsdata eftersom den inte behandlar datapunkter en i taget.

Istället kör neuromorfa datorer data genom mönsterkonfigurationer som fungerar ungefär som den mänskliga hjärnan. Människans hjärnor visar specifika mönster i relation till specifika neurala funktioner, och både mönstren och funktionerna kan förändras över tiden.

Relaterat: Hur påverkar kvantberäkning finansbranschen?

Den största fördelen med neuromorfisk beräkningar är att dess nivå av energiförbrukning är extremt låg i förhållande till klassisk och kvantberäkning. Detta innebär att neuromorfa datorer avsevärt skulle kunna minska kostnaden i form av tid och energi när det gäller både att driva en blockkedja och att bryta nya block på befintliga blockkedjor.

Neuromorfa datorer kan också ge betydande snabbhet för maskininlärningssystem, särskilt de som samverkar med verkliga sensorer (självkörande bilar, robotar) eller de som bearbetar data i realtid (kryptomarknadsanalys, transportnav).

Samla den här artikeln som en NFT att bevara detta ögonblick i historien och visa ditt stöd för oberoende journalistik i kryptorymden.