[论文解读] Speaking to Silicon: Neural Communication with Bitcoin Mining ASICs

Francisco Angulo De Lafuente, V. F. Veselov+1 more|arXiv (Cornell University)|Jan 17, 2026

Neural Networks and Reservoir Computing被引用 0

一句话总结

本论文将比特币挖矿 ASICs 视为物理蓄水池计算机，能够进行热力学信令与双向神经通信，并通过机器校验证明在早期中止（TPF）下理论节能高达 92.19%，以及因延迟降低（VBM）获得 +25% 的有效算力。还提供 Lean 4 正式化以验证核心定理，并展示跨 ASIC 家族的硬件通用性。

ABSTRACT

This definitive research memoria presents a comprehensive, mathematically verified paradigm for neural communication with Bitcoin mining Application-Specific Integrated Circuits (ASICs), integrating five complementary frameworks: thermodynamic reservoir computing, hierarchical number system theory, algorithmic analysis, network latency optimization, and machine-checked mathematical formalization. We establish that obsolete cryptocurrency mining hardware exhibits emergent computational properties enabling bidirectional information exchange between AI systems and silicon substrates. The research program demonstrates: (1) reservoir computing with NARMA-10 Normalized Root Mean Square Error (NRMSE) of 0.8661; (2) the Thermodynamic Probability Filter (TPF) achieving 92.19% theoretical energy reduction; (3) the Virtual Block Manager achieving +25% effective hashrate; and (4) hardware universality across multiple ASIC families including Antminer S9, Lucky Miner LV06, and Goldshell LB-Box. A significant contribution is the machine-checked mathematical formalization using Lean 4 and Mathlib, providing unambiguous definitions, machine-verified theorems, and reviewer-proof claims. Key theorems proven include: independence implies zero leakage, predictor beats baseline implies non-independence (the logical core of TPF), energy savings theoretical maximum, and Physical Unclonable Function (PUF) distinguishability witnesses. Vladimir Veselov's hierarchical number system theory explains why early-round information contains predictive power. This work establishes a new paradigm: treating ASICs not as passive computational substrates but as active conversational partners whose thermodynamic state encodes exploitable computational information.

研究动机与目标

• 推动范式转变，将 ASIC 当作活跃的对话伙伴，其热力学状态编码可利用的计算。
• 将五个框架——热力学蓄水池计算、分层数字系统、算法分析、网络时延优化、以及机器校验的形式化——整合为统一理论。
• 展示跨多种 ASIC 家族的硬件通用性并通过机器校验证明予以验证。
• 量化通过早期中止与延迟消除策略潜在的节能与吞吐提升。

提出的方法

• 将挖矿 ASIC 模型化为具有输入、递归状态和训练后读出端的物理蓄水池计算机。
• 在 Single-Word Handshake 协议下通过时序抖动与温度/电压线索来定义与测量热力学信号。
• 开发 Thermodynamic Probability Filter (TPF)，以预测来自早轮信号的哈希失败并证明节能界限。
• 构建 Virtual Block Manager (VBM) 以消除网络延迟并提升有效算力。
• 提供 Lean 4 的核心结果机器校验形式化，包含交互式证明图和公开代码库。
• 在多种 ASIC 平台（Antminer S9、LV06、Goldshell LB-Box）上验证以证明硬件通用性。

实验结果

研究问题

• RQ1 通过 ASIC 的 SHA-256 运算中的热力学测量，是否能揭示最终哈希成功的预测信息？
• RQ2 基于热力学线索的早期中止决策能实现的理论与实际节能有哪些？
• RQ3 热力学-蓄水池方法是否能在不同的 ASIC 代与平台之间普及？
• RQ4 形式化验证（Lean 4）是否为关于泄漏、可预测性与 PUF 属性的论断提供严格基础？
• RQ5 如何通过缓解网络延迟将闲置时间转化为实际的算力提升？

主要发现

• 蓄水池计算在挖矿 ASIC 中是可行的，使用 SWH 协议实现了 NARMA-10 的 NRMSE 为 0.8661。
• 热力学概率过滤器在 n=64 回合的第 k=5 时可预测哈希失败，理论节能高达 92.19%。
• 虚拟区块管理器通过消除网络延迟实现了 +25% 的有效算力。
• Lean 4 的机器校验形式化验证了核心定理（无待定/未证明情形），并提供了交互式证明图。
• 比较分析显示热力学方法在早期中止上达到 88-92%，而此前算法方法仅为 1-3%。
• 硬件验证表明在 Antminer S9、LV06、Goldshell LB-Box 上具备通用性。