Introductie van duurzame neuromorfe rekenmethoden in Engineering Mechanics

Waarom dit nieuwe type computer ertoe doet

Van het ontwerpen van veiligere auto’s tot het plannen van windturbines: ingenieurs vertrouwen op zware computersimulaties die grote hoeveelheden elektriciteit verbruiken en bijdragen aan CO2-uitstoot. Dit artikel onderzoekt een hersengeïnspireerde manier om die simulaties met veel minder energie uit te voeren, en suggereert dat toekomstige engineeringsoftware sneller, schoner en flexibeler kan worden zonder aan nauwkeurigheid in te boeten.

Het heroverwegen van hoe we mechanische structuren simuleren

De meeste moderne technische ontwerpen gebruiken de eindige-elementenmethode, een numerieke werkpaard die een brug, auto of vliegtuig in veel kleine onderdelen opsplitst en berekent hoe elk stuk buigt of uitrekt. Deze modellen zijn krachtig maar extreem gulzig voor rekencapaciteit, vooral wanneer ze realistische complexiteiten zoals grote vervormingen en niet-elastische materialen vastleggen. Tegelijkertijd vereisen gangbare AI-instrumenten zoals diepe neurale netwerken ook enorme datacenters, wat de energievraag verder opvoert. De auteurs stellen dat het vasthouden aan deze koers hoge-fideliteitsimulaties steeds kostbaarder en milieubelastender zal maken.

Ideeën van het brein lenen om energie te besparen

De studie richt zich op spikkende neurale netwerken, een klasse algoritmen die dichter bij de werking van biologische neuronen komen. In plaats van constant getallen te verplaatsen zoals standaardnetwerken doen, communiceren deze modellen alleen via korte elektrische spikes wanneer iets belangrijks gebeurt. Neuromorfe chips die zulke netwerken draaien zijn gebouwd om van deze sparse communicatie te profiteren en verbruiken energie alleen wanneer spikes optreden. In nauwkeurige metingen laten de auteurs zien dat voor een basale operatie zoals matrix–vectorvermenigvuldiging gespecialiseerde neuromorfe chips fracties van de energie gebruiken die standaard centrale en grafische processors nodig hebben, soms met factoren van honderdduizenden. Deze kloof, opgeschaald naar volledige engineersimulaties, vertaalt zich in enorme potentiële reducties in elektriciteitsgebruik en bijbehorende emissies.

Hersengeïnspireerde netwerken leren mechanica te begrijpen

Een belangrijke uitdaging is dat het merendeel van neuromorfe onderzoek gericht is op patroonherkenning, terwijl de techniek nauwkeurige numerieke voorspellingen van spanningen, vervormingen en andere toestandsvariabelen nodig heeft. De auteurs bouwen spikkende versies van meerdere geavanceerde netwerktypen, waaronder graph neural networks die direct op het mesh van eindige-elementenmodellen opereren, en recurrente netwerken die volgen hoe materialen in de tijd evolueren. Deze netwerken fungeren als surrogaten voor onderdelen van de simulatie en leren de reacties van volledige mechanische modellen te reproduceren. Voor een crashtest van een autobumper wist een conventioneel graph-netwerk het energieverbruik al met meer dan 99 procent te verlagen ten opzichte van een standaard eindige-elementenrun, terwijl spikkende varianten nog grotere besparingen beloven.

Fysica-kennis combineren met zelflerend vermogen

Om verder te gaan dan eenmalige surrogaten die op één geometrie zijn afgestemd, integreren de auteurs hun spikkende netwerken binnen de eindige-elementenprocedure zelf. Op veel integratiepunten binnen elk element voorspelt een hybride netwerk van spikkende en conventionele neuronen hoe het materiaal zal vloeien en harden, gestuurd door zowel data als een strafterm voor het schenden van bekende natuurkundige regels. Deze "zelflerende" opzet maakt het mogelijk dat de solver tijdens de simulatie verbetert zonder gelabelde trainingsdata, omdat de verliesfunctie rechtstreeks voortkomt uit de zwakke vorm van de bestuurlijke vergelijkingen. Tests tonen aan dat het vervangen van traditionele materiaaluupdates door deze hybride spikkende eenheden de geraamde koolstofemissies voor een grote voertuigsimulatie kan terugbrengen van ruim boven de 100 kilogram CO2 tot slechts enkele kilogrammen, terwijl de nauwkeurigheid behouden blijft.

Hardwarekeuzes voor groenere simulaties

Neuromorfe chips zijn nog niet algemeen beschikbaar als plug-in hulpmiddelen voor standaardcomputers, dus verkennen de auteurs ook field-programmable gate arrays, een flexibel hardwareplatform. Ze demonstreren dat gebinariseerde neurale netwerken die op zulke apparaten draaien materiaalkernen sneller en efficiënter kunnen evalueren dan zowel high-end processors als grafische kaarten. Ze betogen verder dat alledaagse bouwstenen van eindige-elementensolvers, zoals het vermenigvuldigen van globale stijfheidsmatrices met vectors, ook naar deze gespecialiseerde apparaten kunnen worden verplaatst, wat in combinatie met spikkende netwerken het totale energieverbruik van een volledige simulatie met meer dan 90 procent zou kunnen verminderen.

Wat dit betekent voor toekomstige engineeringtools

Al met al laat het artikel zien dat hersengeïnspireerd rekenen veeleisende mechanische problemen aankan, niet alleen patroonherkenning, en dat het dat kan doen met ordegroottes lagere energiebehoefte. Door spikkende netwerken, fysica-geïnitieerde training en gespecialiseerde chips te combineren, schetsen de auteurs een route naar simulatie-instrumenten die on the fly leren, generaliseren over verschillende structuren en het benodigde vermogen voor complexe technische analyses scherp terugdringen. Voor lezers is de kernboodschap dat toekomstige ontwerpen voor auto’s, gebouwen en machines met hoge realismegraad kunnen worden ontwikkeld terwijl ze veel minder druk op datacenters en het klimaat leggen.

Bronvermelding: 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

Trefwoorden: neuromorfe computing, spikkende neurale netwerken, eindige-elementenmethode, technische simulatie, energiezuinige AI