1 月 13 日消息，科技媒體 phys 于 1 月 7 日發(fā)布博文，報(bào)道稱美國(guó)桑迪亞國(guó)家實(shí)驗(yàn)室（Sandia National Laboratories）在《自然-機(jī)器智能》發(fā)表最新成果，展示了一種能讓神經(jīng)形態(tài)硬件解決偏微分方程（PDEs）的新型算法 Neurofem。

偏微分方程是模擬流體動(dòng)力學(xué)、電磁場(chǎng)和結(jié)構(gòu)力學(xué)等物理現(xiàn)象的數(shù)學(xué)基石。長(zhǎng)期以來(lái)，業(yè)界普遍認(rèn)為類腦計(jì)算僅適用于圖像識(shí)別或加速人工神經(jīng)網(wǎng)絡(luò)，無(wú)法勝任嚴(yán)謹(jǐn)?shù)目茖W(xué)計(jì)算。然而，這項(xiàng)研究證明，模仿人腦架構(gòu)的計(jì)算機(jī)不僅能處理這些復(fù)雜方程，而且效率驚人。

傳統(tǒng)超級(jí)計(jì)算機(jī)在求解偏微分方程時(shí)需要消耗巨大的計(jì)算資源與電力，而神經(jīng)形態(tài)計(jì)算機(jī)提供了一條截然不同的路徑。

研究員 Aimone 指出，人腦無(wú)時(shí)無(wú)刻不在進(jìn)行復(fù)雜的“后臺(tái)計(jì)算”。他舉例稱：“像擊打網(wǎng)球或揮棒擊球這樣的動(dòng)作控制，本質(zhì)上是極其復(fù)雜的計(jì)算。這些在傳統(tǒng)計(jì)算機(jī)看來(lái)屬于‘百億億次級(jí)（Exascale）’的高難度任務(wù)，大腦卻能以極低的能耗輕松完成?！痹撗芯空抢昧诉@一原理，通過(guò)類腦機(jī)制大幅降低了科學(xué)計(jì)算的能源成本。

研究人員開(kāi)發(fā)了一種名為“Neurofem”的全新算法，成功在英特爾的 Loihi 2 神經(jīng)擬態(tài)芯片上執(zhí)行了有限元方法（FEM）。

FEM 是工程師常用的“化整為零”計(jì)算方法。把一個(gè)復(fù)雜的物體（如汽車零件）在電腦里切成無(wú)數(shù)個(gè)小塊（單元），通過(guò)計(jì)算每個(gè)小塊的受力情況來(lái)預(yù)測(cè)整體是否會(huì)斷裂或變形。

每張卡包含八個(gè)英特爾 Loihi-2 芯片，可以堆疊起來(lái)。圖源：英特爾

與依賴海量數(shù)據(jù)訓(xùn)練的傳統(tǒng) AI 模型不同，Neurofem 完全不需要預(yù)先訓(xùn)練，而是利用芯片架構(gòu)直接進(jìn)行數(shù)學(xué)優(yōu)化。這意味著類腦芯片的應(yīng)用場(chǎng)景已從單純的模式識(shí)別擴(kuò)展到了復(fù)雜的物理仿真領(lǐng)域。

Neurofem 的核心在于對(duì)硬件的創(chuàng)造性使用。傳統(tǒng)的有限元分析將物體劃分為無(wú)數(shù)個(gè)相互連接的節(jié)點(diǎn)網(wǎng)格，以模擬受力變形或波的傳播。

研究團(tuán)隊(duì)將這些網(wǎng)格節(jié)點(diǎn)直接映射到神經(jīng)擬態(tài)芯片上，每個(gè)節(jié)點(diǎn)由 8 到 16 個(gè)“人造神經(jīng)元”表示，節(jié)點(diǎn)間的相互作用力則轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)。

通過(guò)這種方式，原本需要大型計(jì)算機(jī)通過(guò)矩陣乘法求解的線性方程組，被轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)尋找“平衡狀態(tài)”的優(yōu)化過(guò)程，從而直接輸出數(shù)值解。

在基于 32 塊英特爾 Loihi 2 芯片的測(cè)試中，Neurofem 展現(xiàn)了驚人的能效潛力。據(jù)研究人員估算，該方法的能耗不到傳統(tǒng)計(jì)算機(jī)運(yùn)行同類軟件時(shí)的五分之一。

在準(zhǔn)確性方面，Neurofem 的計(jì)算結(jié)果與經(jīng)典 FEM 軟件相比，誤差僅在千分之幾的范圍內(nèi)，證明了其高度的可靠性。不過(guò)，目前的運(yùn)算速度仍慢于傳統(tǒng)計(jì)算機(jī)，這表明該技術(shù)目前更適合對(duì)能效要求極高而非追求極致速度的場(chǎng)景。

盡管展現(xiàn)了巨大的能效優(yōu)勢(shì)，Neurofem 目前仍存在特定的適用范圍。研究指出，該算法僅在處理“稀疏矩陣”方程組（即僅相鄰節(jié)點(diǎn)間存在交互）時(shí)才能保持高效，因此尚不能直接套用于所有類型的方程求解。

此外，隨著英特爾推出包含更多神經(jīng)元的 Hala Point 系統(tǒng)，以及像 Spinncloud 這樣的初創(chuàng)公司開(kāi)發(fā)千片級(jí) SNN 系統(tǒng)，神經(jīng)擬態(tài)計(jì)算在物理模擬領(lǐng)域的規(guī)?；瘧?yīng)用有望進(jìn)一步加速。