工学力学に持続可能なニューロモルフィック計算を導入する

なぜこの新しいタイプの計算機が重要なのか

より安全な自動車の設計から風力タービンの計画まで、エンジニアは大量の電力を消費し炭素排出に寄与する大規模な計算シミュレーションに依存しています。本論文は、それらのシミュレーションをはるかに少ないエネルギーで実行する脳に着想を得た方法を探り、将来の工学ソフトウェアが精度を損なうことなくより高速でクリーンかつ柔軟になりうることを示唆しています。

機械構造のシミュレーションを再考する

現代の多くの工学設計は有限要素法を使用します。これは橋や車、航空機を多数の小さな要素に分割し、それぞれがどのように曲がり伸びるかを数値的に計算する手法です。これらのモデルは強力ですが、特に大変形や非弾性材料など現実世界の複雑さを捉える場合、非常に高い計算能力を必要とします。同時に、ディープニューラルネットワークのような一般的な人工知能ツールも巨大なデータセンターを必要とし、さらなるエネルギー需要を生みます。著者らは、現状のままでは高忠実度のシミュレーションがますますコスト高で環境負荷の大きなものになると主張します。

エネルギー節約のために脳のアイデアを借りる

この研究はスパイキングニューラルネットワークに焦点を当てています。これは生物学的ニューロンの働きにより近いクラスのアルゴリズムです。標準的なネットワークが絶えず数値をやり取りする代わりに、スパイキングモデルは何か重要なことが起きたときだけ短い電気的スパイクで伝達します。こうしたネットワークを動かすニューロモルフィックチップは、この疎な通信を活用するよう設計されており、スパイクが発生するときにのみエネルギーを消費します。著者らの慎重な測定では、行列–ベクトル乗算のような基本操作で、専用のニューロモルフィックチップが標準的な中央処理やグラフィックスプロセッサに比べてごくわずかなエネルギーしか使わず、場合によっては数十万倍の差があることを示しています。この差は完全な工学シミュレーションに拡大すると、電力使用量と関連排出量の大幅な削減につながる可能性があります。

力学を理解するように脳風ネットワークを教える

大きな課題は、ほとんどのニューロモルフィック研究がパターン認識を対象としている一方で、工学では応力・ひずみなどの状態変数を正確に数値予測する必要があることです。著者らは、有限要素モデルで使われるメッシュ上で直接動作するグラフニューラルネットワークや、材料の時間発展を追跡する再帰型ネットワークなど、いくつかの高度なネットワークをスパイキング版として構築しました。これらのネットワークはシミュレーションの一部を代替する代用モデルとして機能し、完全な力学モデルの応答を再現することを学習します。自動車のバンパー衝突試験では、従来のグラフネットワークだけで標準的な有限要素解析に比べエネルギーを99%以上削減し、スパイキング版はさらに大きな節約を見込めることが示されています。

物理知識と自己学習の融合

単一のジオメトリに特化したワンオフの代替モデルを超えるために、著者らはスパイキングネットワークを有限要素手続き自体の内部に組み込みます。各要素内の多数の積分点で、スパイキングと従来のニューロンを組み合わせたハイブリッドネットワークが材料の降伏や硬化をデータと既知の物理法則の違反に対するペナルティにより予測します。この「自己学習」セットアップにより、損失関数が支配方程式の弱形式から直接得られるため、ラベル付き学習データがなくてもソルバーはシミュレーション中に改善できます。テストでは、従来の材料更新をこれらのハイブリッドスパイキングユニットに置き換えることで、大型車両シミュレーションの推定炭素排出量が100キログラムを大きく上回るレベルから数キログラムにまで縮小でき、かつ精度を維持できることが示されました。

より環境に優しいシミュレーションのためのハードウェア選択

ニューロモルフィックチップはまだ標準的なコンピュータのプラグインとして広く利用可能ではないため、著者らは柔軟なハードウェアプラットフォームであるフィールドプログラマブルゲートアレイ（FPGA）も検討しています。彼らは、そのようなデバイス上で動作する二値化ニューラルネットワークが、高性能プロセッサやグラフィックスカードよりも材料法則の評価をより速く効率的に行えることを実証します。さらに、グローバル剛性行列とベクトルの乗算など、有限要素ソルバーの日常的な基本演算をこれらの専用デバイスに移すことができれば、スパイキングネットワークと組み合わせた場合に完全なシミュレーションの総エネルギー使用量を90%以上削減できる可能性があると論じています。

将来の工学ツールにとっての意味

総じて、本論文は脳に触発された計算が単なるパターン認識にとどまらず、要求の厳しい力学問題にも対処でき、桁違いに低いエネルギー消費でそれを実現できることを示しています。スパイキングネットワーク、物理に導かれた学習、および専用チップの組み合わせにより、著者らはシミュレーション中に学習し、異なる構造に一般化し、複雑な工学解析に必要な電力を大幅に削減するツールへの道筋を描いています。読者への要点は、将来の自動車、建築、機械の設計が高い現実性を保ちながらも、データセンターや気候への負荷を大幅に軽減して開発できる可能性があるということです。

引用: 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

キーワード: ニューロモルフィックコンピューティング, スパイキングニューラルネットワーク, 有限要素法, 工学シミュレーション, 省エネルギーAI