由于德累斯顿工业大学的突破性研究，CMOS兼容的神经形态计算芯片可能即将问世。德国德累斯顿工业大学的研究人员最近发表了一项突破性的研究，展示了一种用于神经形态计算的新材料设计，这可能对区块链和人工智能产生革命性的影响。
使用一种称为“储层计算”的技术，该团队开发了一种模式识别方法，该方法使用磁振荡器涡流来几乎瞬间计算能量。研究人员不仅开发和测试了新的存储材料，还展示了在标准CMOS芯片上工作的神经形态计算的潜力，这可能会颠覆区块链和人工智能(AI)。
经典计算机，例如为智能手机、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的二进制晶体管(表示为“1”或“0”)。
神经形态计算机使用可编程的物理人工神经元来模仿有机大脑活动。这些系统不处理二进制文件，而是通过不同模式的神经元发送信号，并增加了时间因子。
这对区块链和人工智能非常重要，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，当涉及到模式识别时，特别是当数据有噪声或信息丢失时，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问题，也是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。
比如金融、人工智能、交通等领域，实时数据不断涌入。经典计算机纠结于封闭问题——比如无人驾驶汽车的挑战，迄今为止被证明很难简化成一系列“真/假”的计算问题。
然而，神经形态学计算机是用来处理缺乏信息的问题的。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响应实时数据，因为它不会一次处理一个数据点。
相反，神经形态计算机通过模式配置运行数据，其功能类似于人脑。人脑会闪现与特定神经功能相关的特定模式，模式和功能会随着时间而变化。
神经形态计算的主要优势是与经典计算和量子计算相比功耗水平极低。这意味着，当操作区块链和在现有区块链上开采新区块时，神经形态计算机可以显著减少时间和能量成本。
神经形态计算机还可以为机器学习系统提供显著的加速，特别是那些与现实世界传感器(自动驾驶汽车、机器人)或实时处理数据(加密货币市场分析、交通枢纽)的系统。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信，我们会及时处理和回复。
原文地址"新研究表明类脑计算机如何彻底改变区块链和人工智能"：http://www.ljycsb.cn/qukuailian/209983.html。
微信扫描二维码投放广告
▲长按图片识别二维码
