新研究表明类脑计算机如何彻底改变区块链和人工智能

德国德累斯顿工业大学的研究人员最近发表了突破性研究，展示了一种用于神经形态计算的新材料设计，这项技术可能对区块链和人工智能产生革命性影响。

该团队使用一种称为“储层计算”的技术，开发了一种模式识别方法，该方法使用磁振子涡流几乎瞬时执行算法功能。

他们不仅开发和测试了新的储存材料，还展示了神经形态计算在标准 CMOS 芯片上工作的潜力，这可能会颠覆区块链和人工智能。

经典计算机，例如为我们的智能手机、笔记本电脑和世界上大多数超级计算机提供动力的计算机，使用可以打开或关闭（表示为“一”或“零”）的二进制晶体管。

神经形态计算机使用可编程物理人工神经元来模仿有机大脑活动。 这些系统不是处理二进制文件，而是通过不同模式的神经元发送信号，并增加时间因素。

这对于区块链和人工智能领域很重要，特别是因为神经形态计算机从根本上适合模式识别和机器学习算法。

二进制系统使用布尔代数进行计算。 因此，经典计算机在处理数字方面仍然没有受到挑战。 然而，当涉及模式识别时，特别是当数据有噪声或丢失信息时，这些系统就会陷入困境。

这就是为什么经典系统需要花费大量时间来解决复杂的密码学难题，以及为什么它们完全不适合不完整数据阻碍基于数学的解决方案的情况。

例如，在金融、人工智能和交通运输领域，实时数据源源不断地涌入。 经典计算机与封闭问题作斗争——例如，无人驾驶汽车的挑战迄今为止已被证明很难简化为一系列“真/假”计算问题。

然而，神经形态计算机是专门为处理涉及缺乏信息的问题而构建的。 在交通运输行业，经典计算机不可能预测交通流量，因为自变量太多。 神经形态计算机可以不断地对实时数据做出反应，因为它们不会一次处理一个数据点。

相反，神经形态计算机通过功能类似于人脑的模式配置来运行数据。 我们的大脑会闪现与特定神经功能相关的特定模式，并且模式和功能都会随着时间而改变。

有关的： 量子计算如何影响金融业？

神经形态计算的主要好处是，相对于经典计算和量子计算，其功耗水平极低。 这意味着神经形态计算机在操作区块链和在现有区块链上挖掘新区块时可以显着降低时间和能源成本。

神经形态计算机还可以为机器学习系统提供显着的加速，特别是那些与现实世界传感器（自动驾驶汽车、机器人）接口或实时处理数据（加密货币市场分析、交通枢纽）的系统。