Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

הצגת מחשוב נוירו-מורפי בר-קיימא בהנדסת מכניקה

· חזרה לאינדקס

מדוע סוג מחשב זה חשוב

מעיצוב רכבים בטוחים יותר ועד תכנון טורבינות רוח — מהנדסים מסתמכים על סימולציות ממוחשבות כבדות שצורכות כמות משמעותית של חשמל ותורמות לפליטות פחמן. מאמר זה בוחן דרך בהשראת המוח להריץ את אותן סימולציות עם צריכת אנרגיה נמוכה בהרבה, ומעלה את האפשרות שתוכנות הנדסיות עתידיות יהפכו למהירות, נקיות וגמישות יותר ללא ויתור על דיוק.

Figure 1. שבבים בדמיון למוח מריצים סימולציות הנדסיות בצריכת אנרגיה נמוכה בהרבה ממחשבים של היום.
Figure 1. שבבים בדמיון למוח מריצים סימולציות הנדסיות בצריכת אנרגיה נמוכה בהרבה ממחשבים של היום.

מחשבה מחדש על אופן סימולציית המבנים המכניים

רוב העיצובים ההנדסיים המודרניים משתמשים בשיטת האלמנטים הסופיים — כלי נומרי הפורק גשר, רכב או מטוס לחלקים קטנים ומחשב כיצד כל אחד מעקם או נמתח. מודלים אלה רבי-עוצמה אך תובעניים מאוד מבחינת חישוב, בייחוד כאשר הם לוכדים מורכבויות מציאותיות כמו עיוותים גדולים וחומרים אי־אלסטיים. במקביל, כלי בינה מלאכותית נפוצים כמו רשתות עמוקות דורשים גם הם מרכזי נתונים רחבי היקף, מה שמגדיל עוד יותר את צריכת האנרגיה. המחברים טוענים שהמשך המגמה הזו יהפוך סימולציות ברזולוציה גבוהה ליקרות יותר ולנטל סביבתי כבד.

הלוואת רעיונות מהמוח לחיסכון באנרגיה

המחקר מתמקד ברשתות נוירונים סופגות (spiking neural networks), קבוצה של אלגוריתמים המדמים באופן קרוב יותר את אופן הפעולה של נוירונים ביולוגיים. במקום להזרים מספרים כל הזמן כפי שעושות רשתות סטנדרטיות, דגמים אלה מתקשרים רק דרך זעזועים חשמליים קצרים כשהתרחשות משמעותית מתרחשת. שבבים נוירו-מורפיים שמריצים רשתות כאלה בנויים לנצל תקשורת דלילה זו, וצורכים אנרגיה רק כשמופיעות הזעזועים. במדידות קפדניות מראים המחברים שעבור פעולה בסיסית כמו כפל מטריצה–וקטור, שבבים נוירו-מורפיים ייעודיים צורכים רק חלקים זעירים מהאנרגיה הנדרשת על ידי מעבדים מרכזיים וכרטיסי גרפיקה סטנדרטיים, לפעמים בהסתדרויות של מאות אלפי פעמים. הפרש זה, באופן מסוים בהרחבה לסימולציות הנדסיות מלאות, מתורגם להפחתות פוטנציאליות עצומות בצריכת חשמל ובפליטות הנלוות.

לימוד רשתות בהשראת מוח להכרה במכניקה

אתגר מפתח הוא שרוב המחקר הנוירו-מורפי ממוקד בזיהוי תבניות, בעוד שההנדסה דורשת תחזיות נומריות מדויקות של מאמצים, עיוותים ומשתני מצב אחרים. המחברים בונים גרסאות סופגות של מספר סוגי רשתות מתקדמות, כולל רשתות גראפ (graph neural networks) שפועלות ישירות על הרשת המשמשת במודלי האלמנטים הסופיים ורשתות חוזרות שעוקבות כיצד החומרים מתפתחים לאורך זמן. רשתות אלה משמשות תחליפים לחלקים מהסימולציה ולומדות לשחזר את תגובות המודלים המכניקלים המלאים. עבור מבחן התנגשויות של חיפוי רכב, רשת גראפ קונבנציונלית כבר קיצצה את האנרגיה ביותר מ‑99 אחוזים ביחס להרצה רגילה בשיטת האלמנטים הסופיים, בעוד שגרסאות סופגות מבטיחות חסכונות עוד גדולים יותר.

Figure 2. נוירונים סופגים מכוונים כיצד כל נקודה במבנה מתכת מעוותת, וקוטעים את צריכת האנרגיה בתוך הפותר.
Figure 2. נוירונים סופגים מכוונים כיצד כל נקודה במבנה מתכת מעוותת, וקוטעים את צריכת האנרגיה בתוך הפותר.

שילוב ידע פיזיקלי עם למידה עצמית

כדי להתקדם מעבר לתחליפים חד-פעמיים המותאמים לגיאומטריה יחידה, המחברים משבצים את הרשתות הסופגות בתוך הליך האלמנטים הסופיים עצמו. בנקודות אינטגרציה רבות בתוך כל אלמנט, רשת היברידית של נוירונים סופגים וסוגי נוירונים רגילים חוזה כיצד החומר ייכנע ויתקשה, מודרכת הן על ידי נתונים והן על ידי עונש על הפרת כללים פיזיקליים ידועים. תצורת "למידה עצמית" זו מאפשרת לפותר להשתפר במהלך הסימולציה ללא נתוני אימון מתויגים, משום שפונקציית האובדן נגזרת ישירות מהצורה החלשה של המשוואות השולטות. ניסויים מראים שהחלפת עדכוני חומר מסורתיים ביחידות היברידיות סופגות האלה יכולה לצמצם את פליטת הפחמן המוערכת עבור סימולציה של כלי רכב גדול ממאות קילוגרמים CO2 לכמה קילוגרמים בלבד, תוך שמירה על הדיוק.

בחירות חומרה לסימולציות ירוקות יותר

שבבים נוירו-מורפיים אינם זמינים עדיין ברוחב כשעזרים להנחה במחשבים סטנדרטיים, לכן המחברים בוחנים גם שערים מתוכנתים שדה (FPGAs), פלטפורמת חומרה גמישה. הם מציגים כי רשתות בינאריות המריצות על מכשירים כאלה יכולות להעריך חוקים חומריים מהר יותר וביעילות רבה יותר מאשר מעבדים חזקים וכרטיסי גרפיקה. הם גם טוענים שרכיבים יומיומיים של פותרי אלמנטים סופיים, כגון כפל מטריצות הקשיחות הגלובליות בווקטורים, יכולים גם לעבור למכשירים מיוחדים אלה, ובשילוב עם רשתות סופגות להפחתה פוטנציאלית של צריכת האנרגיה הכוללת של סימולציה מלאה ביותר מ‑90 אחוז.

מה המשמעות לכלי הנדסה עתידיים

בסך הכל, המאמר מראה שמחשוב בהשראת המוח יכול להתמודד עם בעיות מכניות תובעניות, לא רק עם זיהוי תבניות, ועלול לעשות זאת בצריכת אנרגיה הנמוכה בסדרי גודל. על ידי שילוב רשתות סופגות, אימון מונחה פיזיקה ושבבים מיוחדים, המחברים מסמנים דרך לעבר כלי סימולציה שלומדים תוך כדי הרצה, מתכללים בין מבנים שונים ומצמצמים באופן חדה את ההספק הנדרש לניתוחים הנדסיים מורכבים. למעוניינים, המסקנה היא שעיצובים עתידיים לרכבים, מבנים ומכונות יוכלו להתפתח בריאליזם גבוה תוך מתן פחות עומס על מרכזי נתונים והאקלים.

ציטוט: 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

מילות מפתח: מחשוב נוירו-מורפי, רשתות נוירונים סופגות (spiking), שיטת האלמנטים הסופיים, סימולציה הנדסית, בינה יעילה באנרגיה