Neue Forschungsergebnisse zeigen, wie gehirnähnliche Computer Blockchain und KI revolutionieren könnten

Forscher der Technischen Universität Dresden in Deutschland haben kürzlich bahnbrechende Forschungsergebnisse veröffentlicht, die ein neues Materialdesign für neuromorphes Computing vorstellen, eine Technologie, die revolutionäre Auswirkungen sowohl auf Blockchain als auch auf KI haben könnte.

Mithilfe einer Technik namens „Reservoir Computing“ entwickelte das Team eine Methode zur Mustererkennung, die einen Magnonenwirbel nutzt, um algorithmische Funktionen nahezu augenblicklich auszuführen.

Die Forscher haben nicht nur das neue Reservoirmaterial entwickelt und getestet, sondern auch das Potenzial für neuromorphes Computing auf einem Standard-CMOS-Chip demonstriert, was sowohl Blockchain als auch künstliche Intelligenz (KI) auf den Kopf stellen könnte.

Klassische Computer, wie sie beispielsweise Smartphones, Laptops und die meisten Supercomputer der Welt antreiben, verwenden binäre Transistoren, die entweder ein- oder ausgeschaltet sein können (ausgedrückt als „Eins“ oder „Null“).

Neuromorphe Computer nutzen programmierbare physische künstliche Neuronen, um organische Gehirnaktivitäten zu imitieren. Anstatt Binärdateien zu verarbeiten, senden diese Systeme Signale über unterschiedliche Neuronenmuster mit dem zusätzlichen Zeitfaktor.

Der Grund dafür, dass dies insbesondere für die Bereiche Blockchain und KI wichtig ist, liegt darin, dass neuromorphe Computer grundsätzlich für Mustererkennungs- und maschinelle Lernalgorithmen geeignet sind.

Binäre Systeme verwenden zur Berechnung die Boolesche Algebra. Aus diesem Grund bleiben klassische Computer bei der Berechnung von Zahlen unangefochten. Wenn es jedoch um die Mustererkennung geht, insbesondere wenn die Daten verrauscht sind oder Informationen fehlen, haben diese Systeme Probleme.

Aus diesem Grund benötigen klassische Systeme viel Zeit, um komplexe kryptografische Rätsel zu lösen, und sind für Situationen, in denen unvollständige Daten eine mathematische Lösung verhindern, völlig ungeeignet.

In den Bereichen Finanzen, KI und Transport beispielsweise gibt es einen nie endenden Zustrom von Echtzeitdaten. Klassische Computer haben mit verdeckten Problemen zu kämpfen – die Herausforderung selbstfahrender Autos beispielsweise ließ sich bisher nur schwer auf eine Reihe von „wahr/falsch“-Rechenproblemen reduzieren.

Allerdings sind neuromorphe Computer für die Bewältigung von Problemen konzipiert, bei denen es an Informationen mangelt. In der Transportbranche ist es für einen klassischen Computer unmöglich, den Verkehrsfluss vorherzusagen, da es zu viele unabhängige Variablen gibt. Ein neuromorpher Computer kann ständig auf Echtzeitdaten reagieren, da er die Datenpunkte nicht einzeln verarbeitet.

Stattdessen verarbeiten neuromorphe Computer Daten durch Musterkonfigurationen, die ähnlich wie das menschliche Gehirn funktionieren. Im menschlichen Gehirn treten bestimmte Muster in Bezug auf bestimmte neuronale Funktionen auf, und sowohl die Muster als auch die Funktionen können sich im Laufe der Zeit ändern.

Related: Wie wirkt sich Quantencomputing auf die Finanzbranche aus?

Der Hauptvorteil des Neuromorphic Computing besteht darin, dass der Stromverbrauch im Vergleich zum klassischen Computing und zum Quantencomputing äußerst gering ist. Dies bedeutet, dass neuromorphe Computer die Zeit- und Energiekosten sowohl für den Betrieb einer Blockchain als auch für das Mining neuer Blöcke auf bestehenden Blockchains erheblich senken könnten.

Neuromorphe Computer könnten auch maschinelle Lernsysteme erheblich beschleunigen, insbesondere solche, die mit realen Sensoren kommunizieren (selbstfahrende Autos, Roboter) oder solche, die Daten in Echtzeit verarbeiten (Kryptomarktanalyse, Verkehrsknotenpunkte).

Sammeln Sie diesen Artikel als NFT um diesen Moment in der Geschichte zu bewahren und Ihre Unterstützung für unabhängigen Journalismus im Kryptoraum zu zeigen.