Գերմանիայի Դրեզդենի Technische Universität համալսարանի հետազոտողները վերջերս հրապարակել են բեկումնային հետազոտություն, որը ցույց է տալիս նոր նյութական դիզայն նեյրոմորֆիկ հաշվարկների համար, տեխնոլոգիա, որը կարող է հեղափոխական հետևանքներ ունենալ ինչպես բլոկչեյնի, այնպես էլ AI-ի համար:
Օգտագործելով «ռեզերվուարային հաշվարկ» կոչվող տեխնիկան՝ թիմը մշակել է օրինաչափությունների ճանաչման մեթոդ, որն օգտագործում է մագնոնների հորձանուտը՝ մոտ ակնթարթորեն ալգորիթմական ֆունկցիաներ կատարելու համար:
Հետազոտողները ոչ միայն մշակեցին և փորձարկեցին ջրամբարի նոր նյութը, այլև նրանք ցույց տվեցին նեյրոմորֆային հաշվարկների ներուժը ստանդարտ CMOS չիպի վրա աշխատելու համար, ինչը կարող է խաթարել և՛ բլոկչեյնը, և՛ արհեստական ինտելեկտը (AI):
Դասական համակարգիչները, ինչպիսիք են սմարթֆոնները, դյուրակիր համակարգիչները և աշխարհի գերհամակարգիչների մեծ մասը, օգտագործում են երկուական տրանզիստորներ, որոնք կարող են լինել միացված կամ անջատված (արտահայտվում է որպես «մեկ» կամ «զրո»):
Նեյրոմորֆ համակարգիչներն օգտագործում են ծրագրավորվող ֆիզիկական արհեստական նեյրոններ՝ ուղեղի օրգանական գործունեությունը ընդօրինակելու համար: Երկուականների մշակման փոխարեն այս համակարգերը ազդանշաններ են ուղարկում նեյրոնների տարբեր օրինաչափություններով՝ ժամանակի ավելացված գործոնով:
Պատճառը, որ սա կարևոր է բլոկչեյնի և AI-ի ոլորտների համար, մասնավորապես, այն է, որ նեյրոմորֆ համակարգիչները հիմնովին հարմար են օրինաչափությունների ճանաչման և մեքենայական ուսուցման ալգորիթմների համար:
Երկուական համակարգերը հաշվարկելու համար օգտագործում են բուլյան հանրահաշիվ: Այս պատճառով, դասական համակարգիչները մնում են անառարկելի, երբ խոսքը վերաբերում է թվերի ճզմմանը: Այնուամենայնիվ, երբ խոսքը վերաբերում է օրինաչափությունների ճանաչմանը, հատկապես, երբ տվյալները աղմկոտ են կամ բացակայում են տեղեկատվություն, այս համակարգերը պայքարում են:
Ահա թե ինչու դասական համակարգերից զգալի ժամանակ է պահանջվում բարդ գաղտնագրման գլուխկոտրուկներ լուծելու համար, և ինչու դրանք լիովին անհամապատասխան են այն իրավիճակների համար, երբ թերի տվյալները խանգարում են մաթեմատիկական լուծումներին:
Ֆինանսների, արհեստական ինտելեկտի և տրանսպորտի ոլորտներում, օրինակ, իրական ժամանակի տվյալների անվերջ հոսք կա: Դասական համակարգիչները պայքարում են խցանված խնդիրների դեմ. օրինակ, առանց վարորդի մեքենաների մարտահրավերը մինչ այժմ ապացուցվել է, որ դժվար է նվազեցնել «ճշմարիտ/կեղծ» հաշվողական խնդիրների շարքը:
Այնուամենայնիվ, նեյրոմորֆիկ համակարգիչները ստեղծվել են տեղեկատվության պակասի հետ կապված խնդիրների լուծման համար: Տրանսպորտային ոլորտում դասական համակարգչի համար անհնար է կանխատեսել երթևեկության հոսքը, քանի որ չափազանց շատ անկախ փոփոխականներ կան: Նեյրոմորֆիկ համակարգիչը կարող է անընդհատ արձագանքել իրական ժամանակի տվյալներին, քանի որ այն չի մշակում տվյալների կետերը մեկ առ մեկ:
Փոխարենը, նեյրոմորֆ համակարգիչները տվյալները վարում են օրինաչափությունների կոնֆիգուրացիաների միջոցով, որոնք որոշ չափով գործում են մարդու ուղեղի նման: Մարդկային ուղեղը որոշակի օրինաչափություններ է ներշնչում հատուկ նյարդային գործառույթների հետ կապված, և ինչպես օրինաչափությունները, այնպես էլ գործառույթները կարող են փոխվել ժամանակի ընթացքում:
Related: Ինչպե՞ս է քվանտային հաշվարկն ազդում ֆինանսական արդյունաբերության վրա:
Նեյրոմորֆային հաշվարկների հիմնական առավելությունն այն է, որ դասական և քվանտային հաշվարկների համեմատ, դրա էներգիայի սպառման մակարդակը չափազանց ցածր է: Սա նշանակում է, որ նեյրոմորֆ համակարգիչները կարող են զգալիորեն նվազեցնել ծախսերը ժամանակի և էներգիայի առումով, երբ խոսքը վերաբերում է և՛ բլոկչեյն գործարկելուն, և՛ գոյություն ունեցող բլոկչեյնների վրա նոր բլոկների արդյունահանմանը:
Նեյրոմորֆիկ համակարգիչները կարող են նաև զգալի արագություն ապահովել մեքենայական ուսուցման համակարգերի համար, հատկապես նրանք, որոնք փոխազդում են իրական աշխարհի սենսորների հետ (ինքնակառավարվող մեքենաներ, ռոբոտներ) կամ դրանք, որոնք մշակում են տվյալները իրական ժամանակում (կրիպտո շուկայի վերլուծություն, տրանսպորտային հանգույցներ):
Հավաքեք այս հոդվածը որպես NFT պահպանել պատմության այս պահը և ցույց տալ ձեր աջակցությունը կրիպտո տարածքում անկախ լրագրությանը:
Աղբյուր՝ https://cointelegraph.com/news/new-research-shows-how-brain-like-computers-could-revolutionize-blockchain-and-ai