تحقیقات جدید نشان می‌دهد که چگونه رایانه‌های مغز مانند می‌توانند بلاک چین و هوش مصنوعی را متحول کنند

به گزارش پایگاه خبری ارز دیجیتال موبو ارز،

به لطف تحقیقات پیشگامانه دانشگاه فناوری درسدن، تراشه های محاسباتی نورومورفیک سازگار با CMOS ممکن است در افق باشند.

محققان دانشگاه فناوری درسدن آلمان اخیراً تحقیقاتی نوآورانه را منتشر کرده اند که طراحی مواد جدید را برای محاسبات نورومورفیک نشان می دهد، فناوری که می تواند هم زنجیره بلوکی و هم هوش مصنوعی را متحول کند.

با استفاده از تکنیکی به نام «محاسبات مخزن»، تیم یک روش تشخیص الگو را توسعه داد که از گردابه‌های مگنون برای انجام عملکردهای الگوریتمی تقریباً فوری استفاده می‌کند.

آنها نه تنها یک ماده مخزن جدید را توسعه داده و آزمایش کرده اند، بلکه پتانسیل محاسبات نورومورفیک در حال اجرا بر روی یک تراشه استاندارد CMOS را نیز نشان داده اند – که به طور بالقوه هر دو زنجیره بلوکی و هوش مصنوعی را وارونه می کند.

رایانه‌های کلاسیک، مانند رایانه‌هایی که تلفن‌های هوشمند، لپ‌تاپ‌ها و اکثر ابررایانه‌های جهان را تغذیه می‌کنند، از ترانزیستورهای باینری استفاده می‌کنند که روشن یا خاموش هستند (با علامت «۱» یا «۰» نشان داده می‌شوند.

کامپیوترهای نورومورفیک از نورون های مصنوعی فیزیکی قابل برنامه ریزی برای تقلید از فعالیت مغز ارگانیک استفاده می کنند. این سیستم ها به جای پردازش دودویی، ضرایب زمانی را برای ارسال سیگنال به الگوهای مختلف نورون ها اضافه می کنند.

دلیل اهمیت ویژه 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، کامپیوترهای کلاسیک در مورد پردازش عددی بی‌رقیب باقی می‌مانند. با این حال، وقتی نوبت به تشخیص الگو می‌رسد، این سیستم‌ها با مشکل مواجه می‌شوند، به‌ویژه زمانی که داده‌ها نویز دارند یا اطلاعات از دست رفته هستند.

به همین دلیل است که سیستم‌های کلاسیک برای حل پازل‌های رمزنگاری پیچیده بسیار زمان می‌برند و چرا برای موقعیت‌هایی که داده‌های ناقص مانع از راه‌حل‌های مبتنی بر ریاضی می‌شوند، کاملاً نامناسب هستند.

به عنوان مثال، بخش های مالی، هوش مصنوعی و حمل و نقل شاهد هجوم بی پایان داده های بلادرنگ هستند. کامپیوترهای سنتی از مشکلات انسداد رنج می برند. برای مثال، کاهش چالش ماشین‌های خودران تا کنون به مجموعه‌ای از مشکلات محاسباتی «درست/نادرست» دشوار بوده است.

با این حال، کامپیوترهای نورومورفیک به منظور رفع مشکلات مربوط به کمبود اطلاعات ساخته شده اند. در صنعت حمل و نقل، متغیرهای مستقل زیادی برای پیش بینی جریان ترافیک با رایانه های معمولی وجود دارد. کامپیوترهای نورومورفیک نقاط داده را یک به یک پردازش نمی کنند، بنابراین همیشه می توانند به داده های بلادرنگ واکنش نشان دهند.

در عوض، رایانه‌های نورومورفیک داده‌ها را از طریق سازماندهی الگویی که عملکردی مشابه مغز انسان دارد، اجرا می‌کنند. مغز ما الگوهای خاصی را در ارتباط با عملکردهای عصبی خاص فلش می کند، اما هر دو الگوها و عملکردها می توانند در طول زمان تغییر کنند.

مربوط: محاسبات کوانتومی چه تأثیری بر صنعت مالی خواهد داشت؟

یکی از مزیت‌های محاسبات نورومورفیک سطح بسیار پایین مصرف انرژی آن در مقایسه با محاسبات کلاسیک و کوانتومی است. این بدان معناست که رایانه‌های نورومورفیک این پتانسیل را دارند که هزینه زمان و انرژی را هم در عملیات بلاک چین و هم در استخراج بلوک‌های جدید در بلاک چین‌های موجود کاهش دهند.

رایانه‌های نورومورفیک همچنین این پتانسیل را دارند که سرعت سیستم‌های یادگیری ماشینی را تا حد زیادی افزایش دهند، به‌ویژه آن‌هایی که با حسگرهای دنیای واقعی (ماشین‌های خودران، روبات‌ها) و سیستم‌هایی که داده‌ها را در زمان واقعی پردازش می‌کنند (تحلیل‌های بازار ارزهای دیجیتال، مراکز حمل‌ونقل) متصل می‌شوند.

نویسنده: Tristan Greene