Introduzione del calcolo neuromorfico sostenibile in Meccanica dell'Ingegneria

Perché questo nuovo tipo di computer conta

Dalla progettazione di auto più sicure alla pianificazione di turbine eoliche, gli ingegneri si affidano a pesanti simulazioni al computer che consumano grandi quantità di elettricità e aumentano le emissioni di carbonio. Questo articolo esplora un modo ispirato al cervello per eseguire quelle simulazioni con molta meno energia, suggerendo che il software di ingegneria futuro potrebbe diventare più veloce, più pulito e più flessibile senza sacrificare l'accuratezza.

Rivedere come simuliemo le strutture meccaniche

La maggior parte della progettazione ingegneristica moderna utilizza il metodo degli elementi finiti, un metodo numerico che suddivide un ponte, un'auto o un aeromobile in molti piccoli elementi e calcola come ciascuno si piega o si deforma. Questi modelli sono potenti ma estremamente affamati di potenza di calcolo, specialmente quando catturano complessità del mondo reale come grandi deformazioni e materiali non elastici. Allo stesso tempo, gli strumenti comuni di intelligenza artificiale come le reti neurali profonde richiedono anch'essi vasti data center, aggiungendo ulteriore domanda energetica. Gli autori sostengono che mantenere questa traiettoria renderà le simulazioni ad alta fedeltà sempre più costose e gravose per l'ambiente.

Prendere in prestito idee dal cervello per risparmiare energia

Lo studio si concentra sulle reti neurali a spike, una classe di algoritmi che imita più da vicino il funzionamento dei neuroni biologici. Invece di rielaborare continuamente numeri come fanno le reti standard, questi modelli comunicano solo tramite brevi spike elettrici quando avviene qualcosa di rilevante. I chip neuromorfici che eseguono tali reti sono progettati per sfruttare questa comunicazione sparsa, consumando energia solo quando si verificano gli spike. In misurazioni accurate, gli autori mostrano che per un'operazione di base come la moltiplicazione matrice–vettore, chip neuromorfici specializzati usano frazioni minuscole dell'energia richiesta dai processori centrali e grafici standard, talvolta con fattori dell'ordine di centinaia di migliaia. Questa differenza, estesa alle simulazioni ingegneristiche complete, si traduce in potenziali riduzioni enormi del consumo elettrico e delle emissioni associate.

Insegnare alle reti ispirate al cervello a comprendere la meccanica

Una sfida chiave è che la maggior parte della ricerca neuromorfica è rivolta al riconoscimento di pattern, mentre l'ingegneria necessita di previsioni numeriche accurate di tensioni, deformazioni e altre variabili di stato. Gli autori costruiscono versioni a spike di diversi tipi di rete avanzate, incluse reti neurali su grafi che operano direttamente sulla mesh usata nei modelli agli elementi finiti e reti ricorrenti che tengono traccia dell'evoluzione dei materiali nel tempo. Queste reti agiscono come surrogati per parti della simulazione, imparando a riprodurre le risposte dei modelli meccanici completi. Per un test d'urto sul paraurti di un'auto, una rete grafica convenzionale ha già ridotto il consumo energetico di oltre il 99 percento rispetto a una simulazione agli elementi finiti standard, mentre le varianti a spike promettono risparmi ancora maggiori.

Fondere conoscenze fisiche con apprendimento autonomo

Per andare oltre surrogati confezionati su misura per una singola geometria, gli autori inseriscono le loro reti a spike all'interno della procedura degli elementi finiti stessa. In molti punti di integrazione all'interno di ciascun elemento, una rete ibrida di neuroni a spike e convenzionali predice come il materiale cedrà e indurirà, guidata sia dai dati sia da una penalità per la violazione di leggi fisiche note. Questa configurazione di "auto-apprendimento" permette al risolutore di migliorare durante la simulazione senza dati di addestramento etichettati, perché la funzione di perdita deriva direttamente dalla forma debole delle equazioni governanti. I test mostrano che sostituire gli aggiornamenti tradizionali dei materiali con queste unità ibride a spike può ridurre le emissioni di carbonio stimate per una grande simulazione di veicolo da oltre 100 chilogrammi di CO2 a solo pochi chilogrammi, mantenendo l'accuratezza.

Scelte hardware per simulazioni più verdi

I chip neuromorfici non sono ancora ampiamente disponibili come ausili plug-in per i computer standard, quindi gli autori esplorano anche le field-programmable gate array, una piattaforma hardware flessibile. Dimostrano che reti neurali binarizzate eseguite su tali dispositivi possono valutare le leggi dei materiali più rapidamente e in modo più efficiente sia rispetto ai processori di fascia alta sia alle schede grafiche. Argomentano inoltre che i componenti di uso comune dei risolutori agli elementi finiti, come la moltiplicazione di matrici globali di rigidezza per vettori, potrebbero essere spostati su questi dispositivi specializzati, riducendo potenzialmente l'uso energetico complessivo di una simulazione completa di oltre il 90 percento quando combinati con reti a spike.

Cosa significa questo per gli strumenti di ingegneria futuri

Nel complesso, l'articolo mostra che il calcolo ispirato al cervello può affrontare problemi meccanici impegnativi, non solo il riconoscimento di pattern, e può farlo con un consumo energetico inferiore di ordini di grandezza. Combinando reti a spike, addestramento guidato dalla fisica e chip specializzati, gli autori delineano un percorso verso strumenti di simulazione che apprendono in tempo reale, generalizzano attraverso strutture diverse e riducono nettamente l'energia necessaria per analisi ingegneristiche complesse. Per i lettori, la conclusione è che i progetti futuri di automobili, edifici e macchine potrebbero essere sviluppati con elevata realismo esercitando molto meno pressione sui data center e sul clima.

Citazione: 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

Parole chiave: calcolo neuromorfico, reti neurali a spike, metodo degli elementi finiti, simulazione ingegneristica, IA a basso consumo energetico