သုတေသနအသစ်သည် ဦးနှောက်နှင့်တူသော ကွန်ပျူတာများသည် blockchain နှင့် AI ကို မည်သို့ပြောင်းလဲစေနိုင်ကြောင်း ပြသထားသည်။

ဂျာမနီရှိ Technische Universität Dresden မှသုတေသီများသည် blockchain နှင့် AI နှစ်ခုလုံးအတွက် တော်လှန်သက်ရောက်မှုများရှိလာနိုင်သည့် neuromorphic computing အတွက် ပစ္စည်းဒီဇိုင်းအသစ်ကို ပြသထားသည့် သုတေသနပြုလုပ်ချက်များကို မကြာသေးမီက ထုတ်ပြန်ခဲ့သည်။

"reservoir computing" ဟုခေါ်သော နည်းပညာကို အသုံးပြု၍ အဖွဲ့သည် အယ်လဂိုရီသမ်လုပ်ဆောင်ချက်များကို ချက်ချင်းလုပ်ဆောင်ရန် magnons ၏ ရေဝဲကို အသုံးပြုသည့် ပုံစံအသိအမှတ်ပြုခြင်းအတွက် နည်းလမ်းတစ်ခုကို တီထွင်ခဲ့သည်။

သုတေသီများသည် ရေလှောင်ကန်ပစ္စည်းအသစ်ကို တီထွင်စမ်းသပ်ရုံသာမကဘဲ၊ blockchain နှင့် ဥာဏ်ရည်တု (AI) နှစ်ခုစလုံးကို အားဖြည့်ပေးနိုင်သည့် စံ CMOS ချစ်ပ်ပေါ်တွင် အလုပ်လုပ်ရန် neuromorphic computing အတွက် အလားအလာကိုလည်း သရုပ်ပြခဲ့သည်။

စမတ်ဖုန်းများ၊ လက်ပ်တော့များနှင့် ကမ္ဘာ့စူပါကွန်ပြူတာအများစုကို အားဖြည့်ပေးသည့် ဂန္တဝင်ကွန်ပျူတာများသည် အဖွင့်အပိတ်လုပ်နိုင်သော binary transistor ကို အသုံးပြုသည် (“one” သို့မဟုတ် “zero” ဟု ဖော်ပြသည်)။

Neuromorphic ကွန်ပြူတာများသည် အော်ဂဲနစ် ဦးနှောက်လုပ်ဆောင်ချက်ကို တုပရန် ပရိုဂရမ်ထုတ်နိုင်သော ရုပ်ပိုင်းဆိုင်ရာအတု နျူရွန်များကို အသုံးပြုသည်။ ဒွိနရီများကို လုပ်ဆောင်မည့်အစား၊ ဤစနစ်များသည် အချိန်၏ ထပ်လောင်းအချက်ဖြင့် ကွဲပြားသော နျူရွန်ပုံစံများတစ်လျှောက် အချက်ပြမှုများကို ပေးပို့သည်။

အထူးသဖြင့် blockchain နှင့် AI နယ်ပယ်များအတွက် အရေးကြီးသောအကြောင်းရင်းမှာ neuromorphic ကွန်ပျူတာများသည် ပုံစံအသိအမှတ်ပြုခြင်းနှင့် machine learning algorithms အတွက် အခြေခံအားဖြင့် သင့်လျော်သောကြောင့်ဖြစ်သည်။

Binary စနစ်များသည် boolean အက္ခရာသင်္ချာကို တွက်ချက်ရန်အတွက် အသုံးပြုသည်။ ဤအကြောင်းကြောင့်၊ ဂန္တဝင်ကွန်ပြူတာများသည် နံပါတ်များအထွတ်အထိပ်ရောက်သောအခါတွင် စိန်ခေါ်ခြင်းမခံရပါ။ သို့သော်၊ အထူးသဖြင့် ဒေတာများ ဆူညံနေသည် သို့မဟုတ် အချက်အလက်များ ပျောက်ဆုံးနေသည့်အခါတွင် ပုံစံအသိအမှတ်ပြုမှု နှင့် ပတ်သက်လာလျှင် ဤစနစ်များသည် ရုန်းကန်နေရပါသည်။

ထို့ကြောင့် ရှုပ်ထွေးသော cryptography ပဟေဋ္ဌိများကို ဖြေရှင်းရန် ဂန္တဝင်စနစ်များအတွက် အချိန်များစွာကြာပြီး ဒေတာမပြည့်စုံသော သင်္ချာအခြေခံဖြေရှင်းချက်ကို တားဆီးနိုင်သည့် အခြေအနေများအတွက် ၎င်းတို့သည် အဘယ်ကြောင့် လုံးဝမသင့်လျော်ပါသနည်း။

ဥပမာအားဖြင့်၊ ဘဏ္ဍာရေး၊ AI နှင့် သယ်ယူပို့ဆောင်ရေးကဏ္ဍများတွင်၊ အချိန်နှင့်တပြေးညီ ဒေတာများ အမြဲမပြတ်ဝင်ရောက်လာပါသည်။ ရှေးရိုးကွန်ပြူတာများသည် ပိတ်ဆို့ထားသော ပြဿနာများနှင့် ရုန်းကန်နေရသည် — ဥပမာ မောင်းသူမဲ့ကားများ၏ စိန်ခေါ်မှုသည် “မှန်/မမှန်” တွက်ချက်မှုပြဿနာများကို လျှော့ချရန် ခက်ခဲနေပြီဖြစ်သည်။

သို့သော်၊ သတင်းအချက်အလက်ချို့တဲ့မှုပါ ၀ င်သည့်ပြဿနာများကိုဖြေရှင်းရန်အတွက် neuromorphic ကွန်ပျူတာများကိုတည်ဆောက်ထားသည်။ သယ်ယူပို့ဆောင်ရေးစက်မှုလုပ်ငန်းတွင်၊ ဂန္တဝင်ကွန်ပြူတာတစ်လုံးသည် အသွားအလာစီးဆင်းမှုကို ခန့်မှန်းရန် မဖြစ်နိုင်ပေ။ neuromorphic ကွန်ပျူတာသည် ဒေတာအချက်များအား တစ်ကြိမ်လျှင် မလုပ်ဆောင်နိုင်သောကြောင့် အချိန်နှင့်တစ်ပြေးညီ ဒေတာများကို အဆက်မပြတ် တုံ့ပြန်နိုင်သည်။

ယင်းအစား၊ neuromorphic ကွန်ပျူတာများသည် လူ့ဦးနှောက်ကဲ့သို့ အနည်းငယ်လုပ်ဆောင်သည့် ပုံစံဖွဲ့စည်းပုံများမှတစ်ဆင့် ဒေတာများကို လုပ်ဆောင်သည်။ လူ့ဦးနှောက်သည် တိကျသောအာရုံကြောလုပ်ဆောင်ချက်များနှင့်ဆက်စပ်သော တိကျသောပုံစံများကို ရောင်ပြန်ဟပ်ကာ ပုံစံများနှင့် လုပ်ဆောင်ချက်များ နှစ်ခုစလုံးသည် အချိန်နှင့်အမျှ ပြောင်းလဲနိုင်သည်။

Related: ကွမ်တမ် ကွန်ပြူတာ က ဘဏ္ဍာရေး လုပ်ငန်းကို ဘယ်လို သက်ရောက်မှု ရှိသလဲ။

neuromorphic computing ၏ အဓိက အကျိုးကျေးဇူးမှာ classical နှင့် quantum computing နှင့် နှိုင်းယှဉ်ပါက ၎င်း၏ ပါဝါသုံးစွဲမှု အဆင့်သည် အလွန်နိမ့်ပါးပါသည်။ ဆိုလိုသည်မှာ blockchain ကိုလည်ပတ်ခြင်းနှင့်ရှိပြီးသား blockchains များတွင်လုပ်ကွက်အသစ်များတူးဖော်ခြင်းနှင့်ပတ်သက်လာသောအခါတွင် neuromorphic ကွန်ပျူတာများသည်အချိန်နှင့်စွမ်းအင်အရကုန်ကျစရိတ်ကိုသိသိသာသာလျှော့ချနိုင်သည်ဆိုလိုသည်။

Neuromorphic ကွန်ပျူတာများသည် လက်တွေ့ကမ္ဘာအာရုံခံကိရိယာများ (ကိုယ်တိုင်မောင်းနှင်သည့်ကားများ၊ စက်ရုပ်များ) သို့မဟုတ် အချိန်နှင့်တစ်ပြေးညီ (crypto စျေးကွက်ခွဲခြမ်းစိတ်ဖြာမှု၊ သယ်ယူပို့ဆောင်ရေးအချက်အချာကျသည့်နေရာများ) နှင့် ချိတ်ဆက်ထားသော အထူးသဖြင့် စက်သင်ယူမှုစနစ်များအတွက် သိသာထင်ရှားသောအမြန်နှုန်းကို ပေးစွမ်းနိုင်သည်။

ဤဆောင်းပါးကို NFT အဖြစ်စုဆောင်းပါ။ ဤအခိုက်အတန့်ကိုသမိုင်းတွင်ထိန်းသိမ်းရန်နှင့် crypto နေရာရှိလွတ်လပ်သောဂျာနယ်လစ်ဇင်အတွက်သင်၏ပံ့ပိုးမှုကိုပြသရန်။