1月13日讯息，科技媒体 phys于1月7日发布博文称，美国桑迪亚国家实验室在《自然-机器智能》期刊上发表最新研究成果，推出了一款名为Neurofem的新算法。
偏微分方程作为模拟流体力学、电磁场和结构力学等复杂物理现象的核心数学工具，其求解一直是科学计算领域的重大挑战。然而，业内曾普遍认为类脑计算机仅适用于图像识别或加速人工神经网络的处理任务，难以应对严谨的科学计算工作。
此次研究的重大突破在于：通过Neurofem算法，神经形态硬件成功实现了对偏微分方程的求解。与传统超级计算机相比，这种新型计算方式展现出惊人的效率优势。研究团队负责人Aimone指出：”人脑无时无刻不在进行着复杂的后台运算。例如，在击打网球或挥棒打球等动作控制中，大脑能够以极低能耗完成传统计算机需要百亿亿次运算才能完成的复杂任务。”这一发现为科学计算提供了全新的能源优化路径。
Neurofem的核心创新在于对神经拟态芯片架构的巧妙利用。研究人员将有限元方法（FEM）直接在英特尔Loihi 2神经形态芯片上实现。FEM是一种工程中常用的”化整为零”计算方法，通过将复杂物体分解成无数个小单元进行受力分析，以预测整体结构是否会发生断裂或变形。
与依赖海量数据训练的传统AI模型不同，Neurofem完全摒弃了预训练过程，而是直接利用芯片架构进行数学优化。这种创新使类脑芯片的应用场景从模式识别扩展到物理仿真领域，展现出广阔的应用前景。
在实现机制上，研究团队将FEM中的网格节点直接映射到神经拟态芯片上。每个节点由8至16个”人造神经元”表示，而节点间的相互作用力则转化为神经网络的权重参数。这种独特的映射方式，使得原本需要大型计算机通过矩阵乘法求解的线性方程组，被转化为寻找系统”平衡状态”的优化过程。
实验数据显示，在基于32块Loihi 2芯片的测试中，Neurofem展现出令人惊叹的能效潜力。其能耗仅为传统计算机运行同类软件时的五分之一。同时，计算结果与经典FEM软件相比，误差控制在千分之几范围内，充分证明了该算法的高度可靠性。
尽管如此，Neurofem目前的应用仍有一定局限性。研究指出，该算法仅在处理”稀疏矩阵”方程组时才能发挥高效优势。随着英特尔推出Hala Point系统（包含更多神经元）以及Spinncloud等初创公司开发千片级脉冲神经网络（SNN）系统的推动，神经形态计算在物理模拟领域的规模化应用有望迎来更快发展。
附上参考地址
-
Solving sparse finite element problems on neuromorphic hardware
-
Nature-inspired computers are shockingly good at math
相关文章
