在XXI世纪,人类被刺激面临全球挑战:气候变化,污染,清洁水,食物和能源的短缺。这些挑战将复杂的系统(例如人类社会,世界经济,城市地区,自然生态系统和地球气候)等复杂的系统(联合国大会,2015年; Martin,2007年; Martin,2007年; Harari,2018; Gentili,2021年; Gentili,2021; Gentili等,2022)。每当我们处理复杂的系统时,我们都会在其描述中遇到一些局限性,并在理解和预测其行为方面。这种局限性概述了所谓的认识论复杂性(Gentili,2023)。限制是由于计算复杂性引起的(Goldreich,2008年):许多涉及复杂系统的计算问题都是可解决但棘手的。示例是(1)实际问题,例如调度和旅行推销员问题; (2)基本科学问题,例如Schrödinger方程和蛋白质折叠; (3)通过机器学习算法面临的模式识别问题。它们都是指数性的问题,当它们具有较大的维度时,它们会变得棘手:即使我们使用世界上最快的超级计算机,也不可能在合理的时间内确定其确切的解决方案。面对认识论复杂性,因此,计算复杂性是自然计算的有前途的策略(Rozenberg等,2012; Gentili,2023)。自然计算是一条跨学科的研究线,它从自然中汲取灵感来制定(a)新算法,提出(b)(b)计算的新材料和体系结构,以及(c)新方法和模型以了解复杂的系统。新计算体系结构和算法的富裕灵感来源是人类和动物的大脑。他们的模仿激发了神经形态工程的新兴领域,该领域有望超越常规的人工智能(AI)算法和高能量的硬件,
主要关键词