最新 1 月 13 日消息，科技媒体 phys 于 1 月 7 日发布博文，报道称美国桑迪亚国家实验室（Sandia National Laboratories）在《自然-机器智能》发表最新成果，展示了一种能让神经形态硬件解决偏微分方程（PDEs）的新型算法 Neurofem。

偏微分方程是模拟流体动力学、电磁场和结构力学等物理现象的数学基石。长期以来，业界普遍认为类脑计算仅适用于图像识别或加速人工神经网络，无法胜任严谨的科学计算。然而，这项研究证明，模仿人脑架构的计算机不仅能处理这些复杂方程，而且效率惊人。

传统超级计算机在求解偏微分方程时需要消耗巨大的计算资源与电力，而神经形态计算机提供了一条截然不同的路径。

研究员 Aimone 指出，人脑无时无刻不在进行复杂的“后台计算”。他举例称：“像击打网球或挥棒击球这样的动作控制，本质上是极其复杂的计算。这些在传统计算机看来属于‘百亿亿次级（Exascale）’的高难度任务，大脑却能以极低的能耗轻松完成。”该研究正是利用了这一原理，通过类脑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，成功在英特尔的 Loihi 2 神经拟态芯片上执行了有限元方法（FEM）。

FEM 是工程师常用的“化整为零”计算方法。把一个复杂的物体（如汽车零件）在电脑里切成无数个小块（单元），通过计算每个小块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，而是利用芯片架构直接进行数学优化。这意味着类脑芯片的应用场景已从单纯的模式识别扩展到了复杂的物理仿真领域。

Neurofem 的核心在于对硬件的创造性使用。传统的有限元分析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。

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”表示，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求解的线性方程组，被转化为神经网络寻找“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 芯片的测试中，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软件时的五分之一。

在准确性方面，Neurofem 的计算结果与经典 FEM 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，目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对能效要求极高而非追求极致速度的场景。

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，随着英特尔推出包含更多神经元的 Hala Point 系统，以及像 Spinncloud 这样的初创公司开发千片级 SNN 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。

最新附上参考地址

• Solving sparse finite element problems on neuromorphic hardware

• Nature-inspired computers are shockingly good at math