محققان دانشگاه Technische Universität Dresden در آلمان اخیراً تحقیقاتی را منتشر کرده اند که طراحی مواد جدیدی را برای محاسبات نورومورفیک به نمایش می گذارد، فناوری که می تواند پیامدهای انقلابی هم برای بلاک چین و هم برای هوش مصنوعی داشته باشد.
این تیم با استفاده از تکنیکی به نام "محاسبات مخزن" روشی را برای تشخیص الگوی توسعه دادند که از گردابی از مگنون ها برای انجام عملکردهای الگوریتمی نزدیک به آنی استفاده می کند.
محققان نه تنها مواد مخزن جدید را توسعه و آزمایش کردند، بلکه پتانسیل محاسبات نورومورفیک برای کار بر روی یک تراشه استاندارد CMOS را نیز نشان دادند، چیزی که میتواند هم زنجیره بلوکی و هم هوش مصنوعی (AI) را مختل کند.
رایانههای کلاسیک، مانند رایانههایی که تلفنهای هوشمند، لپتاپها و اکثر ابر رایانههای جهان را تغذیه میکنند، از ترانزیستورهای باینری استفاده میکنند که میتوانند روشن یا خاموش باشند (به صورت "یک" یا "صفر" بیان میشوند).
کامپیوترهای نورومورفیک از نورون های مصنوعی فیزیکی قابل برنامه ریزی برای تقلید از فعالیت های ارگانیک مغز استفاده می کنند. این سیستمها بهجای پردازش باینریها، سیگنالهایی را به الگوهای مختلف نورونها با ضریب زمان اضافه میفرستند.
دلیل اهمیت این موضوع برای حوزههای بلاک چین و هوش مصنوعی این است که رایانههای نورومورفیک اساساً برای الگوریتمهای تشخیص الگو و یادگیری ماشین مناسب هستند.
سیستم های دودویی از جبر بولی برای محاسبه استفاده می کنند. به همین دلیل، رایانههای کلاسیک در هنگام شکستن اعداد بدون چالش باقی میمانند. با این حال، وقتی نوبت به تشخیص الگو میرسد، بهویژه زمانی که دادهها نویز دارند یا اطلاعات از دست رفتهاند، این سیستمها با مشکل مواجه میشوند.
به همین دلیل است که زمان زیادی برای حل معماهای رمزنگاری پیچیده برای سیستمهای کلاسیک صرف میشود و به همین دلیل است که آنها برای موقعیتهایی که دادههای ناقص مانع از یک راهحل مبتنی بر ریاضی میشود، کاملاً نامناسب هستند.
به عنوان مثال، در بخش های مالی، هوش مصنوعی و حمل و نقل، هجوم بی پایانی از داده های زمان واقعی وجود دارد. رایانههای کلاسیک با مشکلات مسدود شده دست و پنجه نرم میکنند - برای مثال، چالش ماشینهای بدون راننده تا کنون به یک سری مشکلات محاسباتی «درست/نادرست» کاهش داده شده است.
با این حال، کامپیوترهای نورومورفیک برای رویارویی با مشکلاتی که شامل کمبود اطلاعات است ساخته شده اند. در صنعت حمل و نقل، پیش بینی جریان ترافیک برای رایانه های کلاسیک غیرممکن است زیرا متغیرهای مستقل زیادی وجود دارد. یک کامپیوتر نورومورفیک می تواند دائماً به داده های بلادرنگ واکنش نشان دهد زیرا نقاط داده را یک به یک پردازش نمی کند.
در عوض، رایانههای نورومورفیک دادهها را از طریق پیکربندیهای الگوی اجرا میکنند که تا حدودی مانند مغز انسان عمل میکنند. مغز انسان الگوهای خاصی را در رابطه با عملکردهای عصبی خاص فلش می کند و هم الگوها و هم عملکردها می توانند در طول زمان تغییر کنند.
مرتبط: چگونه محاسبات کوانتومی بر صنعت مالی تأثیر می گذارد؟
مزیت اصلی محاسبات نورومورفیک این است که نسبت به محاسبات کلاسیک و کوانتومی، سطح مصرف انرژی آن بسیار پایین است. این بدان معناست که رایانههای نورومورفیک میتوانند به طور قابلتوجهی هزینه را از نظر زمان و انرژی کاهش دهند که هم در مورد راهاندازی یک بلاک چین و هم استخراج بلوکهای جدید روی بلاکچینهای موجود به میان میآید.
رایانههای نورومورفیک همچنین میتوانند سرعت قابلتوجهی برای سیستمهای یادگیری ماشین، بهویژه آنهایی که با حسگرهای دنیای واقعی (ماشینهای خودران، رباتها) یا آنهایی که دادهها را در زمان واقعی پردازش میکنند (تحلیل بازار ارز دیجیتال، مراکز حملونقل) در ارتباط هستند، فراهم کنند.
این مقاله را به عنوان NFT جمع آوری کنید برای حفظ این لحظه در تاریخ و نشان دادن حمایت خود از روزنامه نگاری مستقل در فضای رمزنگاری.
منبع: https://cointelegraph.com/news/new-research-shows-how-brain-like-computers-could-revolutionize-blockchain-and-ai