Derin Konvolüsyonlu Sinir Ağları (CNN'ler), özellikle 2015'ten sonra yapay zeka devriminde büyük rol oynadı. CNN'ler, sınıflandırma ve veri desenleri üzerinde ilişkisel akıl yürütme için etkileyici bir performans sergilemelerine rağmen, aynı zamanda uygulamaya yönelik yapısal optimizasyona da ihtiyaç duymaktadır. Bu, geliştiricileri ve araştırmacıları, ağ topolojisinin işlenmiş veri miktarı arttıkça sistem başarımının arttığı morfolojik olarak uyumlu CNN’ler üzerinde çalışmaya teşvik etmektedir. Öte yandan, bu zaman ve mekan karmaşıklığının seviyesini de arttırmaktadır. Başka bir deyişle, GPU / CPU işlem gücü ve bellek gereksinimi katlanarak artmaktadır. Neuromorphic hesaplama, morfolojik olarak uyarlamalı makine öğrenmesi sistemlerinin uygulanması için donanım kaynaklarının artan karmaşıklığa karşı etkin kullanımı için yeni çözümler sağlamayı amaçlamaktadır. Bu nedenle, nöromorfik bilgi işlem, derin evrişimli ağların geliştirilmesinden sonraki yeni nesil AI olarak bir dönüm noktası olmuştur. Nöromorfik sistemlerin önemli bir hedefi, insan zekasını taklit eden ve durumsal farkındalık sağlayan üst düzey bilişsel işlevlerdir. Verimli bilgi kodlamasıyla güç tüketimini azaltmak için, nöromorfik hesaplama uygulamasının bir yolu sıralı mantıksal işleme çözümleri yerine paralelliğe bağlı özel donanımlar kullanmaktır.

Geleneksel dijital bilgisayar mimarileri ve materyallerine dayanan hesaplama, fiziksel sınırlamalara yaklaşmaktadır. AI uygulamalarının geliştirilmesi ve artan ekonomik etkileri nedeniyle, bilişsel işlevlerin doğadan esinlenen benzetimleri, yeni işlemsel paradigmalar içerisinde ana hedef haline gelmiştir. Neuromorphic mühendislik olarak da bilinen Neuromorphic computing, sinir sisteminde bulunan nöro-biyolojik mimarileri taklit etmek için morfolojik olarak uyarlanabilir analog, analog ve dijital hibrit devreler veya eşdeğer devre simülasyonları içeren entegre sistemlerin kullanımını tanımlayan bir kavramdır.

Durumsal farkındalık ve bağlam farkındalığı, hem çeşitlilik hem de karmaşıklık açısından katlanarak artan tehditler nedeniyle siber güvenlik için kilit faktörler haline gelmiştir. İzleme, teşhis, savunma ve kurtarma, siber alanda güvenliği sürdürmek için yüksek düzeyde bir bilişsellik gerektirmektedir. Bu nedenle, CRYPTTECH AI ekibi, siber güvenlik için morfolojik olarak uyarlanabilir platformlarda, durumsal farkındalığa bağlı olarak yüksek seviyede bilişselliğin gelişmesi üzerinde çalışmaktadır. Yüksek performanslı siber güvenlik sistemleri için özel donanıma sahip nöromorfik hesaplamaların yanı sıra, geleneksel hesaplama sistemlerinde morfolojik olarak uyarlanabilir veri kodlama ve makine öğrenimi çözümlerinin son teknoloji uygulamaları üzerinde çalışılmaktadır.