تقديم الحوسبة العصبية المستدامة في ميكانيكا الهندسة

لماذا يهم هذا النوع الجديد من الحواسيب

من تصميم سيارات أكثر أمانًا إلى تخطيط توربينات الرياح، يعتمد المهندسون على محاكيات حاسوبية كثيفة تستهلك كميات كبيرة من الكهرباء وتزيد من الانبعاثات الكربونية. تستكشف هذه الورقة نهجًا مستوحى من الدماغ لتشغيل تلك المحاكيات بطاقة أقل بكثير، مما يدل على أن برامج الهندسة المستقبلية قد تصبح أسرع وأنظف وأكثر مرونة دون التضحية بالدقة.

إعادة التفكير في كيفية محاكاتنا للهياكل الميكانيكية

تستخدم معظم التصميمات الهندسية الحديثة طريقة العناصر المحددة، وهي أداة عددية تقسم جسرًا أو سيارة أو طائرة إلى العديد من القطع الصغيرة وتحسب كيف ينثني أو يمتد كل جزء. هذه النماذج قوية لكنها جائعة جدًا للطاقة الحاسوبية، خاصة عندما تلتقط تعقيدات العالم الحقيقي مثل التشوهات الكبيرة والمواد غير المرنة. في الوقت نفسه، تتطلب أدوات الذكاء الاصطناعي الشائعة مثل الشبكات العصبية العميقة مراكز بيانات ضخمة، ما يزيد الطلب على الطاقة. يجادل المؤلفون بأن استمرار هذا المسار سيجعل المحاكيات عالية الدقة باهظة التكلفة ومن ثم مرهقة للبيئة.

اقتراض أفكار من الدماغ لتوفير الطاقة

تركز الدراسة على الشبكات العصبية النابضة، فئة من الخوارزميات تحاكي بشكل أوثق كيفية عمل الخلايا العصبية البيولوجية. بدلاً من تبديل الأرقام باستمرار كما تفعل الشبكات التقليدية، تتواصل هذه النماذج فقط عبر نبضات كهربائية قصيرة عندما يحدث شيء مهم. تُصمَّم الشرائح النيورومورفية لتستفيد من هذا الاتصال المتفرق، فتستهلك الطاقة فقط عند حدوث النبضات. في قياسات دقيقة، يُظهر المؤلفون أنه لعملية أساسية مثل ضرب المصفوفة في متجه، تستخدم الشرائح النيورومورفية المتخصصة أجزاءً ضئيلة من الطاقة مقارنة بالمعالجات المركزية ومعالجات الرسوميات القياسية، أحيانًا بعوامل تصل إلى مئات الآلاف. هذا الاختلاف، عند توسيعه إلى محاكيات هندسية كاملة، يترجم إلى تخفيضات هائلة محتملة في استهلاك الكهرباء والانبعاثات المصاحبة.

تعلّم الشبكات المستوحاة من الدماغ لفهم الميكانيكا

تتمثل إحدى التحديات الرئيسية في أن معظم أبحاث النيورومورفية تستهدف التعرف على الأنماط، بينما تحتاج الهندسة إلى تنبؤات عددية دقيقة للإجهادات والانفعال وغيرها من متغيرات الحالة. يبني المؤلفون نسخًا نابضة من عدة أنواع متقدمة من الشبكات، بما في ذلك شبكات الرسم البياني العصبية التي تعمل مباشرة على الشبكة المستخدمة في نماذج العناصر المحددة وشبكات عودية تتتبَّع تطور المواد مع مرور الزمن. تعمل هذه الشبكات كبدائل لأجزاء من المحاكاة، تتعلم إعادة إنتاج استجابات النماذج الميكانيكية الكاملة. في اختبار اصطدام ممتص الصدمات لصدادة سيارة، خفّضت شبكة الرسم البياني التقليدية بالفعل استهلاك الطاقة بأكثر من 99 بالمئة مقارنة بتشغيل طريقة العناصر المحددة القياسي، في حين تعد النسخ النابضة بتوفيرات أكبر.

دمج المعرفة الفيزيائية مع التعلم الذاتي

للتجاوز عن بدائل فردية مخصّصة لهندسة واحدة، يضمّن المؤلفون شبكاتهم النابضة داخل إجراء العناصر المحددة نفسه. عند العديد من نقاط التكامل داخل كل عنصر، تتنبأ شبكة هجينة من الخلايا العصبية النابضة والتقليدية بكيفية انقياد المادة وتقسّبها، مسترشدة بالبيانات وبعقوبة على انتهاك القواعد الفيزيائية المعروفة. يسمح هذا الإعداد "المتعلم ذاتيًا" للمحلّل بالتحسّن أثناء المحاكاة دون بيانات مُعلّمة، لأن دالة الخسارة تأتي مباشرة من الشكل الضعيف للمعادلات الحاكمة. تظهر الاختبارات أن استبدال تحديثات المواد التقليدية بهذه الوحدات الهجينة النابضة يمكن أن يقلل الانبعاثات الكربونية المقدَّرة لمحاكاة مركبة كبيرة من أكثر من مئة كيلوغرام من CO2 إلى بضعة كيلوغرامات فقط، مع الحفاظ على الدقة.

خيارات الأجهزة لمحاكيات أكثر خضرة

شرائح النيورومورفية ليست متاحة بعد على نطاق واسع كمسرعات قابلة للتوصيل لأجهزة الحاسوب القياسية، لذا يستكشف المؤلفون أيضًا المصفوفات القابلة للبرمجة ميدانيًا (FPGAs)، وهي منصة أجهزة مرنة. يظهرون أن الشبكات العصبية المزدوجة (مُثبّتة القيم) التي تعمل على مثل هذه الأجهزة يمكنها تقييم قوانين المواد بسرعة وكفاءة أكثر من المعالجات الراقية وبطاقات الرسوميات. ويشيرون كذلك إلى أن اللبنات الأساسية اليومية لمحلوِّلات العناصر المحددة، مثل ضرب مصفوفات الصلابة العالمية في متجهات، يمكن أيضًا نقلها إلى هذه الأجهزة المتخصصة، مما قد يقلّل من استهلاك الطاقة الإجمالي لمحاكاة كاملة بأكثر من 90 بالمئة عند الجمع مع الشبكات النابضة.

ماذا يعني هذا لأدوات الهندسة المستقبلية

بصورة عامة، تُبيّن الورقة أن الحوسبة المستوحاة من الدماغ قادرة على معالجة مشكلات ميكانيكية مطلِبة، وليس فقط التعرف على الأنماط، ويمكنها القيام بذلك باستخدام طاقة أقل بمقادير كبيرة. من خلال الجمع بين الشبكات النابضة والتدريب الموجَّه بالفيزياء والشرائح المتخصصة، يوضح المؤلفون مسارًا نحو أدوات محاكاة تتعلم أثناء التشغيل، وتعمم عبر هياكل مختلفة، وتقلّص كثيرًا الطاقة المطلوبة لتحليلات هندسية معقّدة. الخلاصة للقرّاء هي أن تصميمات السيارات والمباني والآلات المستقبلية قد تُطوَّر بواقعية عالية مع إجهاد أقل لمراكز البيانات والمناخ.

الاستشهاد: Stoffel, M., Gulakala, R., Polydoras, V. et al. Introducing sustainable neuromorphic computing in Engineering Mechanics. npj Artif. Intell. 2, 51 (2026). https://doi.org/10.1038/s44387-026-00118-x

الكلمات المفتاحية: الحوسبة النيورومورفية, الشبكات العصبية النابضة, طريقة العناصر المحددة, المحاكاة الهندسية, الذكاء الاصطناعي موفّر للطاقة