Nature子刊：类脑计算机实为数学天才，颠覆传统认知

1月13日消息，科技媒体《物理》杂志于1月7日发布博客文章，报道称美国桑迪亚国家实验室在最新一期《自然-机器智能》上发表了创新性成果，展示了一种能让神经形态硬件直接求解偏微分方程的新型算法Neurofem。

偏微分方程是描述流体动力学、电磁场和结构力学等众多物理现象的核心数学工具。长期以来，业界的普遍共识是，受生物启发的计算方式似乎只适用于图像识别或加速人工神经网络训练，难以胜任严谨的科学计算任务。然而，这项研究证明，模拟大脑架构的计算设备不仅能处理这类复杂方程，而且效率惊人。

传统的超级计算机在求解偏微分方程时，需要消耗海量的计算资源与电力，而神经形态计算却提供了一条截然不同的路径。

研究员Aimone指出，我们的大脑无时无刻不在进行着复杂的“后台计算”。他举例说：“像接打网球或挥棒击球这样的动作控制，本质上就是一种极其复杂的计算。这类任务在传统计算机看来，属于需要‘百亿亿次（Exascale）’级别算力的高难度挑战，大脑却能以极低的能耗轻松完成。”该研究正是利用了大脑的这一高效原理，通过模拟神经网络机制，大幅降低了科学计算的能源成本。

研究人员开发了一种名为“Neurofem”的全新算法，并成功在英特尔的Loihi 2神经拟态芯片上执行了有限元方法计算。

有限元方法是工程师常用的“化整为零”计算策略。它将一个复杂物体（如汽车零部件）在电脑中切分为无数个细小单元；通过计算每个小单元的受力情况，来预测整体是否会断裂或变形。

与依赖海量数据训练的传统AI模型不同，Neurofem完全不需要预先训练，而是直接利用芯片架构本身进行数学优化。这意味着，这类受脑启发芯片的应用范围已从单纯的数据模式识别，扩展到了复杂的物理仿真领域。

Neurofem的核心在于对神经拟态硬件特性的创造性利用。传统的有限元分析会将物体划分为无数个相互连接的节点网格，以模拟受力变形或波的传播过程。

研究团队将这些网格节点直接映射到神经拟态芯片上，每个节点由8到16个“人造神经元”来代表，节点间的相互作用力则转化为神经网络的权重参数。

通过这种方式，原本需要大型计算机通过矩阵乘法来求解的线性方程组，被转化为神经网络寻找内在“平衡状态”的优化过程，从而直接输出数值解。

在基于32块英特尔Loihi 2芯片的测试平台上，Neurofem展现了惊人的能效潜力。据研究人员估算，该方法的能耗不到传统计算机运行同类专业软件时的五分之一。

在准确性方面，Neurofem的计算结果与经典有限元软件相比，误差仅在千分之几的范围内，证明了其高度的可靠性。不过，其当前的运算速度仍慢于传统计算机，这表明该技术目前更适合那些对能效要求极高、而非追求极致速度的应用场景。

尽管展现了巨大的能效优势，Neurofem目前仍存在特定的适用范围。研究指出，该算法仅在处理“稀疏矩阵”方程组（即仅相邻节点间存在交互）时才能保持高效，因此尚不能直接套用于所有类型的方程求解。

此外，随着英特尔推出拥有更多神经元的Hala Point系统，以及像Spinncloud这样的初创公司开发千片级规模的神经拟态计算系统，神经拟态计算在物理模拟领域的规模化应用有望进一步加速。