Nachhaltige neuromorphe Rechner in der Technischen Mechanik

Warum diese neue Art von Rechner wichtig ist

Von der Konstruktion sichererer Autos bis zur Planung von Windturbinen verlassen sich Ingenieure auf rechenintensive Simulationen, die große Mengen Strom verbrauchen und zu CO2‑Emissionen beitragen. Dieses Papier untersucht einen gehirn‑inspirierten Ansatz, um solche Simulationen mit deutlich geringerem Energieaufwand durchzuführen, und legt nahe, dass künftige Ingenieurssoftware schneller, sauberer und flexibler werden kann, ohne Genauigkeit einzubüßen.

Überdenken, wie wir mechanische Strukturen simulieren

Die meisten modernen Konstruktionsverfahren nutzen die Finite‑Elemente‑Methode, ein numerisches Arbeitspferd, das eine Brücke, ein Auto oder ein Flugzeug in viele kleine Elemente zerlegt und berechnet, wie jedes einzelne sich biegt oder dehnt. Diese Modelle sind leistungsstark, aber extrem rechenhungrig, insbesondere wenn sie reale Komplexitäten wie große Verformungen und inelastische Werkstoffe abbilden. Gleichzeitig benötigen gängige KI‑Werkzeuge wie tiefe neuronale Netze große Rechenzentren und erhöhen so den Energiebedarf weiter. Die Autoren argumentieren, dass diese Entwicklung Hoch‑Treue‑Simulationen zunehmend teuer und ökologisch belastend machen wird.

Ideen aus dem Gehirn leihen, um Energie zu sparen

Die Studie konzentriert sich auf spikende neuronale Netze, eine Klasse von Algorithmen, die biologische Neuronen näher nachbilden. Statt kontinuierlich Zahlen zu verschieben wie Standardnetzwerke kommunizieren diese Modelle nur über kurze elektrische Spike‑Impulse, wenn etwas Wichtiges passiert. Neuromorphe Chips, die solche Netze ausführen, sind darauf ausgelegt, diese spärliche Kommunikation auszunutzen und nur dann Energie zu verbrauchen, wenn Spikes auftreten. In sorgfältigen Messungen zeigen die Autoren, dass für grundlegende Operationen wie Matrix–Vektor‑Multiplikationen spezialisierte neuromorphe Chips nur winzige Bruchteile der Energie benötigen, die Standard‑CPU(s) und GPU(s) verbrauchen, manchmal um Faktoren in den Hunderttausenden. Auf vollständige Ingenieursimulationen hochgerechnet bedeutet dieser Unterschied ein enormes Potenzial zur Reduktion von Stromverbrauch und damit verbundenen Emissionen.

Gehirnähnliche Netze für Mechanik trainieren

Eine zentrale Herausforderung ist, dass sich die meisten neuromorphen Forschungen auf Mustererkennung konzentrieren, während die Technik genaue numerische Vorhersagen von Spannungen, Dehnungen und anderen Zustandsgrößen benötigt. Die Autoren entwickeln spikende Varianten mehrerer fortschrittlicher Netzwerktypen, einschließlich graphbasierter neuronaler Netze, die direkt auf dem für Finite‑Elemente verwendeten Netzfeld arbeiten, sowie rekurrenter Netze, die verfolgen, wie sich Materialien im Laufe der Zeit entwickeln. Diese Netze fungieren als Surrogate für Teile der Simulation und lernen, die Antworten vollständiger mechanischer Modelle nachzubilden. Bei einem Crashtest an einer Stoßstange reduzierte ein konventionelles Graphnetz den Energiebedarf bereits um mehr als 99 Prozent im Vergleich zu einem Standard‑Finite‑Elemente‑Durchlauf, während spikende Varianten noch größere Einsparungen versprechen.

Physikwissen mit Selbstlernen verbinden

Um über einmalige Surrogate für eine einzelne Geometrie hinauszugehen, betten die Autoren ihre spikenden Netze direkt in das Finite‑Elemente‑Verfahren ein. An vielen Integrationspunkten innerhalb jedes Elements sagt ein hybrides Netzwerk aus spikenden und konventionellen Neuronen voraus, wie das Material nachgibt und verhärtet, geleitet sowohl von Daten als auch von einer Strafe für das Brechen bekannter physikalischer Regeln. Dieses "selbstlernende" System erlaubt es dem Solver, sich während der Simulation zu verbessern, ohne gelabelte Trainingsdaten, weil die Verlustfunktion direkt aus der schwachen Form der herrschenden Gleichungen stammt. Tests zeigen, dass das Ersetzen traditioneller Material‑Updates durch diese hybriden spikenden Einheiten die geschätzten CO2‑Emissionen einer großen Fahrzeugsimulation von deutlich über 100 Kilogramm auf nur wenige Kilogramm senken kann, bei beibehaltenem Genauigkeitsniveau.

Hardware‑Optionen für grünere Simulationen

Neuromorphe Chips sind noch nicht weit verbreitet als Plug‑in‑Hilfen für Standardrechner, daher untersuchen die Autoren auch Field‑Programmable Gate Arrays (FPGAs), eine flexible Hardwareplattform. Sie zeigen, dass binarisierte neuronale Netze auf solchen Geräten Materialgesetze schneller und effizienter auswerten können als sowohl leistungsstarke Prozessoren als auch Grafikkarten. Weiter argumentieren sie, dass alltägliche Bausteine von Finite‑Elemente‑Solvern, wie die Multiplikation globaler Steifigkeitsmatrizen mit Vektoren, ebenfalls auf diese spezialisierten Geräte verlagert werden könnten, was in Kombination mit spikenden Netzen den Gesamtenergiebedarf einer kompletten Simulation um mehr als 90 Prozent senken könnte.

Was das für künftige Ingenieurwerkzeuge bedeutet

In der Summe zeigt das Papier, dass gehirnähnliches Rechnen anspruchsvolle mechanische Probleme bewältigen kann, nicht nur Mustererkennung, und dies mit um Größenordnungen geringerem Energieverbrauch. Durch die Kombination spikender Netze, physikgeleitetem Training und spezialisierter Chips zeichnen die Autoren einen Weg zu Simulationswerkzeugen, die während der Ausführung lernen, über verschiedene Strukturen generalisieren und den Strombedarf für komplexe Ingenieursanalysen drastisch reduzieren. Für Leser lautet die Schlussfolgerung: Zukünftige Entwürfe für Autos, Gebäude und Maschinen könnten mit hoher Realitätstiefe entwickelt werden und gleichzeitig die Belastung für Rechenzentren und das Klima deutlich verringern.

Zitation: 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

Schlüsselwörter: neuromorphe Berechnung, spikende neuronale Netze, Finite-Elemente-Methode, technische Simulation, energieeffiziente KI