Introduction de l’informatique neuromorphique durable en mécanique du génie

Pourquoi ce nouveau type d’ordinateur importe

Qu’il s’agisse de concevoir des voitures plus sûres ou de planifier des éoliennes, les ingénieurs s’appuient sur d’importantes simulations informatiques qui consomment beaucoup d’électricité et accroissent les émissions de carbone. Cet article explore une manière inspirée du cerveau d’exécuter ces simulations en consommant beaucoup moins d’énergie, suggérant que les logiciels d’ingénierie futurs pourraient devenir plus rapides, plus propres et plus flexibles sans sacrifier la précision.

Repenser la façon dont nous simulons les structures mécaniques

La plupart des conceptions d’ingénierie modernes utilisent la méthode des éléments finis, un outil numérique qui divise un pont, une voiture ou un avion en de nombreuses petites pièces et calcule comment chacune se plie ou s’étire. Ces modèles sont puissants mais extrêmement voraces en puissance de calcul, surtout lorsqu’ils intègrent des complexités du monde réel comme de grandes déformations et des matériaux inélastiques. Parallèlement, les outils d’intelligence artificielle courants, comme les réseaux de neurones profonds, nécessitent aussi d’immenses centres de données, augmentant encore la demande énergétique. Les auteurs soutiennent que maintenir cette trajectoire rendra les simulations haute fidélité de plus en plus coûteuses et coûteuses pour l’environnement.

Emprunter des idées au cerveau pour économiser l’énergie

L’étude se concentre sur les réseaux neuronaux à pointes, une classe d’algorithmes qui imitent plus fidèlement le fonctionnement des neurones biologiques. Au lieu de manipuler en permanence des nombres comme le font les réseaux standards, ces modèles ne communiquent que par de brèves impulsions électriques quand quelque chose d’important se produit. Les puces neuromorphiques qui exécutent ces réseaux sont conçues pour exploiter cette communication parcimonieuse, ne consommant de l’énergie que lorsque des pointes surviennent. Dans des mesures rigoureuses, les auteurs montrent que pour une opération de base comme la multiplication matrice–vecteur, les puces neuromorphiques spécialisées utilisent des fractions infimes de l’énergie requise par les processeurs centraux et graphiques standards, parfois par des facteurs de centaines de milliers. Cette différence, étendue à des simulations d’ingénierie complètes, se traduit par d’importantes réductions potentielles de la consommation électrique et des émissions associées.

Apprendre aux réseaux inspirés du cerveau à comprendre la mécanique

Un défi clé est que la plupart des recherches neuromorphiques visent la reconnaissance de motifs, alors que l’ingénierie requiert des prédictions numériques précises des contraintes, déformations et autres variables d’état. Les auteurs construisent des versions à pointes de plusieurs types de réseaux avancés, y compris des réseaux de graphes qui opèrent directement sur le maillage utilisé dans les modèles par éléments finis et des réseaux récurrents qui suivent l’évolution des matériaux au fil du temps. Ces réseaux servent de substituts pour des parties de la simulation, apprenant à reproduire les réponses des modèles mécaniques complets. Pour un test d’impact sur un pare-chocs de voiture, un réseau de graphes conventionnel a déjà réduit la consommation d’énergie de plus de 99 % par rapport à une exécution par éléments finis standard, tandis que les variantes à pointes promettent des économies encore plus importantes.

Mélanger connaissances physiques et apprentissage autonome

Pour aller au-delà de substituts ad hoc adaptés à une géométrie unique, les auteurs intègrent leurs réseaux à pointes directement dans la procédure des éléments finis. À de nombreux points d’intégration à l’intérieur de chaque élément, un réseau hybride de neurones à pointes et conventionnels prédit comment le matériau cédera et durcira, guidé à la fois par des données et par une pénalité contre la violation des règles physiques connues. Ce dispositif d’« apprentissage autonome » permet au solveur de s’améliorer pendant la simulation sans données d’entraînement étiquetées, car la fonction de perte provient directement de la forme faible des équations régissant le système. Les tests montrent que remplacer les mises à jour matérielles traditionnelles par ces unités hybrides à pointes peut réduire les émissions de carbone estimées pour une grande simulation de véhicule de bien plus de 100 kilogrammes de CO2 à seulement quelques kilogrammes, tout en maintenant la précision.

Choix matériels pour des simulations plus vertes

Les puces neuromorphiques ne sont pas encore largement disponibles comme aides plug-and-play pour les ordinateurs standards, aussi les auteurs explorent-ils également les FPGA, une plateforme matérielle flexible. Ils démontrent que des réseaux neuronaux binarisés exécutés sur ces dispositifs peuvent évaluer les lois de matériau plus rapidement et plus efficacement que les processeurs haut de gamme et les cartes graphiques. Ils soutiennent en outre que des blocs de construction courants des solveurs par éléments finis, tels que la multiplication de matrices de rigidité globales par des vecteurs, pourraient aussi être transférés vers ces dispositifs spécialisés, réduisant potentiellement la consommation d’énergie globale d’une simulation complète de plus de 90 % lorsqu’ils sont combinés avec des réseaux à pointes.

Ce que cela signifie pour les outils d’ingénierie futurs

Globalement, l’article montre que l’informatique inspirée du cerveau peut traiter des problèmes mécaniques exigeants, pas seulement la reconnaissance de motifs, et peut le faire avec des consommations d’énergie réduites de plusieurs ordres de grandeur. En combinant réseaux à pointes, entraînement guidé par la physique et puces spécialisées, les auteurs dessinent une voie vers des outils de simulation qui apprennent en temps réel, se généralisent à différentes structures et réduisent fortement la puissance nécessaire pour des analyses d’ingénierie complexes. Pour le lecteur, la conclusion est que les conceptions futures de voitures, bâtiments et machines pourraient être développées avec un réalisme élevé tout en imposant beaucoup moins de contraintes aux centres de données et au climat.

Citation: 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

Mots-clés: informatique neuromorphique, réseaux neuronaux à pointes, méthode des éléments finis, simulation d’ingénierie, IA économe en énergie