محاسبات نورومورفیک: آینده ربات‌های معاملاتی ۲۰۲۶

خلاصه اجرایی: استخراج بیت‌کوین انرژی زیادی مصرف می‌کند. آموزش هوش مصنوعی انرژی زیادی مصرف می‌کند. راه حل، بیولوژی است. محاسبات نورومورفیک از «شبکه‌های عصبی اسپایکینگ» (SNN) استفاده می‌کند تا اطلاعات را مانند یک مغز بیولوژیکی پردازش کند — فقط در صورت لزوم فعال می‌شود. این امکان ایجاد ربات‌های «HFT سبز» را فراهم می‌کند که در لبه (edge) اجرا می‌شوند.

---

۱. مقدمه: گلوگاه فون نویمان

کامپیوترهای سنتی حافظه (RAM) و پردازش (CPU) را از هم جدا می‌کنند. جابجایی داده‌ها به عقب و جلو ۹۰٪ انرژی را مصرف می‌کند. تراشه‌های نورومورفیک حافظه و پردازش را ادغام می‌کنند، درست مانند سیناپس‌ها در مغز شما.

۲. تحلیل هسته: شبکه‌های عصبی اسپایکینگ (SNN)

۲.۱ ANN در مقابل SNN

• ANN (هوش مصنوعی استاندارد): هر نورون هر میلی‌ثانیه شلیک می‌کند (فعال می‌شود). (ریاضیات پیوسته).
• SNN (نورومورفیک): نورون‌ها فقط زمانی شلیک می‌کنند که یک «اسپایک» (رویداد) رخ دهد.
• تشبیه معاملاتی: یک ربات SNN زمانی که بازار راکد است می‌خوابد. فقط زمانی بیدار می‌شود (شلیک می‌کند) که تغییر قیمت رخ دهد. این آن را برای داده‌های با فرکانس بالا فوق‌العاده کارآمد می‌کند.

۲.۲ سخت‌افزار: Intel Loihi 3 و IBM NorthPole

در سال ۲۰۲۶، می‌توانیم کارت‌های PCIe با این تراشه‌ها را خریداری کنیم. یک پردازنده گرافیکی استاندارد NVIDIA H100 حدود ۷۰۰ وات مصرف می‌کند. یک Intel Loihi 3 فقط ۲ وات مصرف می‌کند.

۳. پیاده‌سازی فنی: فریم‌ورک Lava

ما از کتابخانه Lava اینتل برای برنامه‌نویسی SNNها استفاده می‌کنیم.

# منطق معاملاتی نورومورفیک ۲۰۲۶
import lava.lib.dl.slayer as slayer

# تعریف یک نورون اسپایکینگ
block = slayer.block.cuba.Dense(
    neuron_params={
        'threshold': 1.0,
        'current_decay': 0.25,
        'voltage_decay': 0.03
    },
    weight_scale=2,
    count_log=True
)

# منطق معاملاتی
def on_spike(spike_train):
    if spike_train.count > THRESHOLD:
        execute_trade("BUY")
    else:
        sleep() # مصرف انرژی صفر

۴. چالش‌ها و ریسک‌ها: بدون انتشار به عقب (Backpropagation)

شما نمی‌توانید SNNها را با استفاده از انتشار به عقب استاندارد آموزش دهید (زیرا اسپایک‌ها مشتق‌پذیر نیستند).

• راه حل: ما یک ANN استاندارد را روی یک GPU آموزش می‌دهیم، سپس آن را با استفاده از تکنیکی به نام تبدیل ANN-به-SNN (کدگذاری نرخ) به یک SNN «تبدیل» می‌کنیم.

۵. چشم‌انداز آینده: ربات‌ها در ماهواره‌ها

از آنجا که SNNها انرژی بسیار کمی مصرف می‌کنند، می‌توانند روی ماهواره‌های استارلینک اجرا شوند. تا سال ۲۰۲۷، شرکت‌های HFT ربات‌های SNN را مستقیماً در مدار مستقر خواهند کرد تا ۵ میلی‌ثانیه از تأخیر بین نیویورک و لندن بکاهند (سرعت نور در خلاء > سرعت نور در فیبر).

۶. سوالات متداول: هوش مصنوعی نورومورفیک

۱. آیا از GPU سریع‌تر است؟ از نظر تأخیر؟ بله (میکروثانیه). از نظر توان عملیاتی؟ خیر. GPUها هنوز برای آموزش بهتر هستند؛ نورومورفیک برای استنتاج زنده (live inference) بهتر است.

۲. آیا می‌توانم این سخت‌افزار را بخرم؟ بله. اینتل استیک USB «Kapoho Point» را برای توسعه‌دهندگان می‌فروشد.

۳. چرا هنوز فراگیر نشده است؟ نیاز به یک روش کاملاً جدید تفکر (برنامه‌نویسی مبتنی بر رویداد) دارد که توسعه‌دهندگان کمی بر آن تسلط دارند.

۴. آیا فقط برای معاملات است؟ خیر. در پهپادها، رباتیک و پروتزها استفاده می‌شود. هر جایی که عمر باتری حیاتی باشد.

۵. «دوربین‌های رویداد» (Event Cameras) چه هستند؟ دوربین‌هایی که به جای فریم‌های کامل، فقط حرکت (تغییرات پیکسل) را ضبط می‌کنند. SNNها این داده‌ها را به صورت بومی پردازش می‌کنند. برای ردیابی حرکات نوار تیکر عالی است.