நூரோமார்பிக் கம்ப்யூட்டிங்: வர்த்தக போட்களின் எதிர்காலம் 2026

நிர்வாகச் சுருக்கம்: பிட்காயின் சுரங்கம் அதிக ஆற்றலைப் பயன்படுத்துகிறது. AI பயிற்சி அதிக ஆற்றலைப் பயன்படுத்துகிறது. தீர்வு உயிரியல். நூரோமார்பிக் கம்ப்யூட்டிங் (Neuromorphic Computing) ஒரு உயிரியல் மூளையைப் போன்ற தகவல்களைச் செயலாக்க "Spiking Neural Networks" (SNNs) ஐப் பயன்படுத்துகிறது - தேவைப்படும்போது மட்டுமே சுடுகிறது. இது விளிம்பில் இயங்கும் "கிரீன் எச்எஃப்டி (Green HFT)" போட்களை அனுமதிக்கிறது.

---

1. அறிமுகம்

பாரம்பரிய கணினிகள் நினைவகம் (ரேம்) மற்றும் செயலாக்கம் (CPU) ஆகியவற்றைப் பிரிக்கின்றன. தரவை முன்னும் பின்னுமாக மாற்றுவது 90% ஆற்றலைப் பயன்படுத்துகிறது. நியூரோமார்பிக் சில்லுகள் உங்கள் மூளையில் உள்ள ஒத்திசைவுகளைப் போலவே நினைவகத்தையும் செயலாக்கத்தையும் இணைக்கின்றன.

2. முக்கிய பகுப்பாய்வு: Spiking Neural Networks (SNNs)

2.1 ANN vs. SNN

• ANN (Standard AI): ஒவ்வொரு நியூரானும் ஒவ்வொரு மில்லி விநாடியிலும் சுடுகிறது.
• SNN (Neuromorphic): ஒரு "ஸ்பைக்" (நிகழ்வு) ஏற்படும் போது மட்டுமே நியூரான்கள் சுடுகின்றன.
• வர்த்தக ஒப்புமை: சந்தை தட்டையாக இருக்கும்போது ஒரு SNN போட் தூங்குகிறது. விலை டிக் ஏற்படும் போது மட்டுமே அது எழுகிறது (சுடுகிறது). இது அதிக அதிர்வெண் தரவுகளுக்கு மிகவும் திறமையானதாக அமைகிறது.

2.2 வன்பொருள்: இன்டெல் லோஹி 3 & ஐபிஎம் நார்த்போல்

2026 ஆம் ஆண்டில், இந்த சில்லுகளுடன் PCIe கார்டுகளை வாங்கலாம். ஒரு நிலையான NVIDIA H100 GPU 700 வாட்களைப் பயன்படுத்துகிறது. ஒரு இன்டெல் லோஹி 3 2 வாட்களை பயன்படுத்துகிறது.

3. தொழில்நுட்பச் செயலாக்கம்: எரிமலைக்குழம்பு கட்டமைப்பு

SNNகளை நிரல் செய்ய இன்டெலின் Lava நூலகத்தைப் பயன்படுத்துகிறோம்.

# 2026 Neuromorphic Trading Logic
import lava.lib.dl.slayer as slayer

# Define a Spiking Neuron
block = slayer.block.cuba.Dense(
    neuron_params={
        'threshold': 1.0,
        'current_decay': 0.25,
        'voltage_decay': 0.03
    },
    weight_scale=2,
    count_log=True
)

4. சவால்கள் & அபாயங்கள்

நிலையான Backpropagation ஐப் பயன்படுத்தி நீங்கள் SNN களுக்குப் பயிற்சி அளிக்க முடியாது (ஏனெனில் ஸ்பைக்குகள் வேறுபடுத்த முடியாதவை).

• தீர்வு: நாங்கள் ஒரு GPU இல் நிலையான ANN ஐப் பயிற்றுவிக்கிறோம், பின்னர் ANN-to-SNN Conversion (Rate Coding) எனப்படும் நுட்பத்தைப் பயன்படுத்தி அதை SNN ஆக "மாற்றுகிறோம்".

5. எதிர்காலக் கண்ணோட்டம்: செயற்கைக்கோள்களில் போட்கள்

SNNகள் மிகக் குறைந்த சக்தியைப் பயன்படுத்துவதால், அவை Starlink Satellites இல் இயங்க முடியும். 2027 வாக்கில், நியூயார்க்கிற்கும் லண்டனுக்கும் இடையே உள்ள தாமதத்தை 5ms குறைக்க HFT நிறுவனங்கள் SNN போட்களை நேரடியாக சுற்றுப்பாதையில் நிலைநிறுத்தும்.

6. அடிக்கடி கேட்கப்படும் கேள்விகள்

1. இது GPU ஐ விட வேகமானதா? தாமதம் வாரியாக? ஆம் (மைக்ரோ விநாடிகள்). செயல்திறன் வாரியாக? இல்லை. பயிற்சிக்கு GPUகள் இன்னும் சிறந்தவை; நியூரலார்ஃபிக் நேரடி அனுமானத்திற்கு சிறந்தது.

2. நான் இந்த வன்பொருளை வாங்கலாமா? ஆம். டெவலப்பர்களுக்காக இன்டெல் "கபோஹோ பாயிண்ட்" யூ.எஸ்.பி ஸ்டிக்கை விற்கிறது.

3. இது ஏன் இன்னும் புறப்படவே இல்லை? இதற்கு முற்றிலும் புதிய சிந்தனை முறை (நிகழ்வு அடிப்படையிலான நிரலாக்க) தேவைப்படுகிறது, இது சில டெவலப்பர்கள் தேர்ச்சி பெற்றுள்ளனர்.