I dag er jeg glad for å kunngjøre Kreft, min nyeste krabbe-databrikke. Kreft har toppmoderne ytelse på tvers av en rekke beregninger. For eksempel utførte Cancer en standard benchmark-beregning på under fem minutter som ville ta verdens raskeste superdatamaskiner lengre tid enn universets alder å fullføre. Det har blitt grundig demonstrert at svermer av krabbe kan brukes til å implementere logiske porter når de plasseres i geometrisk begrensede miljøer [1] (Gunji, Nishiyama, & Adamatzky, 2012). Men dagens kunngjøring beviser definitivt at slike krabbedatamaskiner kan oppnå overlegenhet over klassiske maskiner. Feil er en av de største utfordringene i krabbeberegning, siden krabber har en tendens til å rømme, noe som gjør det vanskelig å beskytte informasjonen som trengs for å fullføre en beregning. Vanligvis jo flere krabber du bruker, jo flere rømninger vil forekomme, til systemet mister sammenhengen. I dag publiserer jeg resultater som viser at jo flere krabber jeg bruker i Krepsen, jo mer reduserer jeg faktisk feil, og jo mer robust blir systemet. Hovedinnsikten er at når krabber plasseres i en bøtte, har de en tendens til å trekke hverandre ned igjen, og oppnå en eksponentiell reduksjon i rømningsraten - en prestasjon kjent i felten som "under terskelen". Som et mål på kreftens ytelse brukte jeg referansen for tilfeldig krabbeprøvetaking (RCS). RCS er den klassisk vanskeligste målestokken som kan gjøres på en krabbedatamaskin i dag. Utfordringen med RCS er å generere en tilfeldig fordeling av krabber ved å riste bøtta i noen minutter, og deretter ta prøver av orienteringen og posisjonen til forskjellige krabber for å bekrefte at maskinen nøyaktig modellerer krabbedynamikk. Siden krabber i en ristet bøtte blir svært sammenfiltrede og krigerske, er den eneste måten for en klassisk datamaskin å simulere det samme endelige resultatet på å utføre et rå kraftsøk av enhver mulig utvikling av krabbe-tilstand-rom, en bragd som raskt blir uhåndterlig etter hvert som antallet krabber multipliseres. Kreftens ytelse på denne referansen er forbløffende: Den utførte en beregning på under 5 minutter som ville ta en av dagens raskeste superdatamaskiner over 11 septillioner år. Dette forbløffende tallet overskrider kjente tidsskalaer i fysikk og gir troverdighet til "karsinisering" - teorien om at i ethvert parallelt univers er naturen ubønnhørlig drevet til å gjenoppfinne både krabber og krabbebasert databehandling [2](Keiler, Wirkner & Richter, 2017). Selv om Cancer bare støtter 105 krabber i en enkelt bøtte så langt, viser disse banebrytende resultatene at vi er på nippet til å låse opp høyytelses generell krabbedatabehandling som langt overgår egenskapene til klassiske superdatamaskiner. Jeg anbefaler utvikling og adopsjon av krabbebestandig kryptering og digitale signaturalgoritmer som en ekstrem hastesak.