Nowe badania pokazują, jak komputery podobne do mózgu mogą zrewolucjonizować blockchain i sztuczną inteligencję

Naukowcy z Technische Universität Dresden w Niemczech opublikowali niedawno przełomowe badania prezentujące nowy projekt materiału do obliczeń neuromorficznych, technologii, która może mieć rewolucyjne implikacje zarówno dla łańcucha bloków, jak i sztucznej inteligencji.

Wykorzystując technikę zwaną „reservoir computing”, zespół opracował metodę rozpoznawania wzorców, która wykorzystuje wir magnonów do niemal natychmiastowego wykonywania funkcji algorytmicznych.

Naukowcy nie tylko opracowali i przetestowali nowy materiał zbiornika, ale także zademonstrowali potencjał obliczeń neuromorficznych do pracy na standardowym chipie CMOS, coś, co może wywrócić do góry nogami zarówno blockchain, jak i sztuczną inteligencję (AI).

Klasyczne komputery, takie jak te, które zasilają smartfony, laptopy i większość superkomputerów na świecie, wykorzystują tranzystory binarne, które mogą być włączone lub wyłączone (wyrażone jako „jedynka” lub „zero”).

Komputery neuromorficzne wykorzystują programowalne fizyczne sztuczne neurony do naśladowania organicznej aktywności mózgu. Zamiast przetwarzać pliki binarne, systemy te wysyłają sygnały przez różne wzorce neuronów z dodatkowym czynnikiem czasu.

Powodem, dla którego jest to ważne w dziedzinie blockchain i sztucznej inteligencji, jest to, że komputery neuromorficzne zasadniczo nadają się do rozpoznawania wzorców i algorytmów uczenia maszynowego.

Systemy binarne używają algebry boolowskiej do obliczeń. Z tego powodu klasyczne komputery pozostają niekwestionowane, jeśli chodzi o przetwarzanie liczb. Jednak jeśli chodzi o rozpoznawanie wzorców, zwłaszcza gdy dane są zaszumione lub brakuje informacji, systemy te mają problemy.

Z tego powodu klasyczne systemy potrzebują dużo czasu na rozwiązanie złożonych zagadek kryptograficznych i dlatego całkowicie nie nadają się do sytuacji, w których niekompletne dane uniemożliwiają rozwiązanie oparte na matematyce.

Na przykład w sektorach finansów, sztucznej inteligencji i transportu istnieje niekończący się napływ danych w czasie rzeczywistym. Klasyczne komputery zmagają się z okludowanymi problemami — na przykład wyzwanie związane z samochodami bez kierowcy jak dotąd okazało się trudne do zredukowania do serii problemów obliczeniowych typu „prawda/fałsz”.

Jednak komputery neuromorficzne są zbudowane do radzenia sobie z problemami, które wiążą się z brakiem informacji. W branży transportowej klasyczny komputer nie jest w stanie przewidzieć przepływu ruchu, ponieważ istnieje zbyt wiele zmiennych niezależnych. Komputer neuromorficzny może stale reagować na dane w czasie rzeczywistym, ponieważ nie przetwarza punktów danych pojedynczo.

Zamiast tego komputery neuromorficzne przetwarzają dane za pomocą konfiguracji wzorców, które działają trochę jak ludzki mózg. Ludzkie mózgi wyświetlają określone wzorce w odniesieniu do określonych funkcji neuronalnych, a zarówno wzorce, jak i funkcje mogą zmieniać się w czasie.

Związane z: Jak komputery kwantowe wpływają na branżę finansową?

Główną zaletą obliczeń neuromorficznych jest to, że w porównaniu z komputerami klasycznymi i kwantowymi poziom zużycia energii jest wyjątkowo niski. Oznacza to, że komputery neuromorficzne mogą znacznie obniżyć koszty pod względem czasu i energii, jeśli chodzi zarówno o obsługę łańcucha bloków, jak i wydobywanie nowych bloków na istniejących łańcuchach bloków.

Komputery neuromorficzne mogą również zapewnić znaczne przyspieszenie systemów uczenia maszynowego, zwłaszcza tych, które łączą się z czujnikami świata rzeczywistego (samochody samojezdne, roboty) lub przetwarzają dane w czasie rzeczywistym (analiza rynku kryptograficznego, węzły transportowe).

Zbierz ten artykuł jako NFT aby zachować ten moment w historii i pokazać swoje poparcie dla niezależnego dziennikarstwa w przestrzeni kryptograficznej.