颠覆认知！Nature 子刊：类脑计算机竟是“数学天才”

（由多段落组成）：

近年来，神经形态计算正逐步突破传统人工智能的边界，向更复杂的科学计算领域迈进。据科技媒体 phys 近日报道，美国桑迪亚国家实验室（Sandia National Laboratories）在国际顶级期刊《自然-机器智能》上发表了一项突破性研究成果——一种名为 Neurofem 的新型算法，首次成功实现了在神经拟态硬件上求解偏微分方程（PDEs）。这一进展标志着类脑芯片不再局限于图像识别或模式分析，而是正式迈入高精度物理仿真与工程建模的新阶段。

偏微分方程是现代科学和工程中的核心数学工具，广泛应用于流体力学、电磁场模拟、结构应力分析等领域。传统上，这类问题依赖超级计算机进行大规模数值计算，不仅耗时长，而且能耗极高。而桑迪亚团队另辟蹊径，利用模仿人脑神经网络架构的神经形态芯片，探索出一条低功耗、高效率的替代路径。研究人员指出，人类大脑每天都在执行极其复杂的实时运算，比如运动控制、空间判断等，其背后的计算量若用传统计算机衡量，已达到“百亿亿次级”水平，但大脑仅消耗约20瓦电力。受此启发，研究团队尝试将类似的生物机制引入高性能计算中。

为此，他们开发了 Neurofem 算法，并将其部署在英特尔的 Loihi 2 类脑芯片上，成功运行了经典的有限元方法（FEM）。有限元法是一种将复杂物体离散化为多个小单元进行逐个分析的技术，常用于汽车碰撞测试、桥梁承重评估等工程场景。Neurofem 的创新之处在于，它并不依赖传统的矩阵运算或深度学习训练流程，而是直接将物理模型中的节点网格映射到芯片上的“人工神经元”集群中。每个节点由8至16个神经元表示，节点之间的相互作用则转化为神经网络的连接权重，整个求解过程被重构为寻找系统稳定状态的优化任务，从而绕过了繁琐的线性代数计算。

实验结果显示，在由32块Loihi 2芯片组成的系统上，Neurofem 在处理稀疏矩阵类型的有限元问题时，能耗仅为传统CPU/GPU方案的五分之一以下，展现出惊人的能效优势。更重要的是，其计算结果与标准FEM软件相比误差极小，控制在千分之几以内，具备实际应用的可靠性。尽管目前运算速度尚不及传统平台，但在对能源敏感的应用场景下，如边缘计算设备、航天器自主诊断或远程监测系统，这种低功耗特性极具吸引力。

不过，研究人员也坦承当前技术仍存在局限性。Neurofem 目前主要适用于“局部耦合”的物理系统，即只有相邻节点之间存在交互的情况（对应稀疏矩阵结构），对于全连接或高度非线性的方程体系仍难以胜任。未来，随着英特尔推出拥有更大规模神经元阵列的 Hala Point 系统，以及 Spinncloud 等初创企业推进千芯片级脉冲神经网络（SNN）集群的发展，神经形态计算有望在更多科学计算场景中实现规模化落地。这项研究不仅拓展了类脑芯片的应用边界，也为绿色高性能计算提供了全新思路。

神经形态计算, 偏微分方程, Neurofem算法, Loihi 2芯片, 低功耗计算

本文来源： IT之家【阅读原文】