Investigadores de Technische Universität Dresden en Alemania publicaron recientemente una investigación innovadora que muestra un nuevo diseño de content para la computación neuromórfica, una tecnología que podría tener implicaciones revolucionarias tanto para la cadena de bloques como para la IA.

Usando una técnica llamada «computación de depósito», el equipo desarrolló un método para el reconocimiento de patrones que utiliza un vórtice de magnones para realizar funciones algorítmicas casi instantáneamente.

Principio de funcionamiento de un depósito de dispersión de magnones. Fuente: «Reconocimiento de patrones en el espacio recíproco con un depósito de dispersión de magnones», Naturaleza

Los investigadores no solo desarrollaron y probaron el nuevo content del depósito, sino que también demostraron el potencial de la computación neuromórfica para funcionar en un chip CMOS estándar, algo que podría cambiar tanto la cadena de bloques como la inteligencia artificial (IA).

Las computadoras clásicas, como las que alimentan los teléfonos inteligentes, las computadoras portátiles y la mayoría de las supercomputadoras del mundo, usan transistores binarios que pueden estar encendidos o apagados (expresados ​​como «uno» o «cero»).

Las computadoras neuromórficas utilizan neuronas artificiales físicas programables para imitar la actividad cerebral orgánica. En lugar de procesar binarios, estos sistemas envían señales a través de diferentes patrones de neuronas con el variable adicional del tiempo.

La razón por la que esto es importante para los campos de la cadena de bloques y la IA, específicamente, se debe a que las computadoras neuromórficas son fundamentalmente adecuadas para el reconocimiento de patrones y los algoritmos de aprendizaje automático.

Los sistemas binarios usan álgebra booleana para calcular. Por esta razón, las computadoras clásicas siguen sin ser desafiadas cuando se trata de procesar números. Sin embargo, cuando se trata de reconocimiento de patrones, especialmente cuando los datos son ruidosos o falta información, estos sistemas tienen problemas.

Esta es la razón por la que los sistemas clásicos tardan una cantidad significativa de tiempo en resolver acertijos criptográficos complejos y por qué son totalmente inadecuados para situaciones en las que los datos incompletos impiden una solución basada en matemáticas.

En los sectores de finanzas, inteligencia artificial y transporte, por ejemplo, hay una afluencia interminable de datos en tiempo actual. Las computadoras clásicas luchan con problemas de oclusión: el desafío de los automóviles sin conductor, por ejemplo, hasta ahora ha resultado difícil de reducir a una serie de problemas informáticos de «verdadero/falso».

https://www.youtube.com/view?v=8KBOf7NJh4Y

Sin embargo, las computadoras neuromórficas están diseñadas para lidiar con problemas que involucran falta de información. En la industria del transporte, es imposible que una computadora clásica prediga el flujo de tráfico porque hay demasiadas variables independientes. Una computadora neuromórfica puede reaccionar constantemente a los datos en tiempo serious porque no procesa los puntos de datos de uno en uno.

En cambio, las computadoras neuromórficas ejecutan datos a través de configuraciones de patrones que funcionan de manera comparable al cerebro humano. Los cerebros humanos muestran patrones específicos en relación con funciones neuronales específicas, y tanto los patrones como las funciones pueden cambiar con el tiempo.

Relacionado: ¿Cómo impacta la computación cuántica en la industria financiera?

El principal beneficio de la computación neuromórfica es que, en relación con la computación clásica y cuántica, su nivel de consumo de energía es extremadamente bajo. Esto significa que las computadoras neuromórficas podrían reducir significativamente el costo en términos de tiempo y energía cuando se trata tanto de operar una cadena de bloques como de extraer nuevos bloques en cadenas de bloques existentes.

Las computadoras neuromórficas también podrían proporcionar una aceleración significativa para los sistemas de aprendizaje automático, especialmente aquellos que interactúan con sensores del mundo serious (automóviles autónomos, robots) o aquellos que procesan datos en tiempo authentic (análisis de criptomercado, centros de transporte).

Recoge este artículo como NFT para preservar este momento en la historia y mostrar su apoyo al periodismo independiente en el espacio criptográfico.