Wprowadzenie zrównoważonego oblicznictwa neromorficznego w mechanice inżynierskiej

Dlaczego ten nowy typ komputera ma znaczenie

Od projektowania bezpieczniejszych samochodów po planowanie turbin wiatrowych, inżynierowie polegają na obciążających symulacjach komputerowych, które pochłaniają duże ilości energii elektrycznej i przyczyniają się do emisji dwutlenku węgla. Artykuł bada inspirowany mózgiem sposób uruchamiania tych symulacji przy znacznie mniejszym zużyciu energii, sugerując, że przyszłe oprogramowanie inżynierskie może stać się szybsze, czystsze i bardziej elastyczne bez utraty dokładności.

Przeprojektowanie sposobu symulowania struktur mechanicznych

Większość nowoczesnego projektowania inżynierskiego wykorzystuje metodę elementów skończonych, numeryczne narzędzie, które dzieli most, samochód czy samolot na wiele małych elementów i oblicza, jak każdy z nich się ugina lub rozciąga. Modele te są potężne, ale niezwykle żarłoczne jeśli chodzi o moc obliczeniową, szczególnie gdy uwzględniają złożoności świata rzeczywistego, takie jak duże odkształcenia czy materiały nieelastyczne. Równocześnie powszechne narzędzia sztucznej inteligencji, jak głębokie sieci neuronowe, również wymagają rozległych centrów danych, zwiększając zapotrzebowanie na energię. Autorzy twierdzą, że utrzymanie tego kierunku sprawi, iż symulacje o wysokiej wierności staną się coraz droższe i bardziej obciążające dla środowiska.

Zapożyczanie pomysłów z mózgu, by oszczędzać energię

Badanie koncentruje się na impulsowych sieciach neuronowych, klasie algorytmów, które w bliższy sposób naśladują działanie neuronów biologicznych. Zamiast nieustannie przetwarzać liczby, jak robią to standardowe sieci, modele te komunikują się wyłącznie za pomocą krótkich impulsów elektrycznych, gdy wydarzy się coś istotnego. Neuromorficzne układy zaprojektowane do uruchamiania takich sieci wykorzystują tę rzadką komunikację, zużywając energię tylko wtedy, gdy pojawiają się impulsy. W starannych pomiarach autorzy pokazują, że dla podstawowej operacji, takiej jak mnożenie macierzy przez wektor, wyspecjalizowane układy neuromorficzne zużywają ułamek energii wymaganej przez standardowe procesory centralne i graficzne, czasem różnice sięgają setek tysięcy razy. Ta różnica, przeniesiona na pełne symulacje inżynierskie, przekłada się na ogromne potencjalne redukcje zużycia energii i związanych z tym emisji.

Nauczanie sieci inspirowanych mózgiem rozumienia mechaniki

Kluczowym wyzwaniem jest to, że większość badań neuromorficznych dotyczy rozpoznawania wzorców, podczas gdy inżynieria wymaga dokładnych przewidywań numerycznych naprężeń, odkształceń i innych zmiennych stanu. Autorzy tworzą impulsowe wersje kilku zaawansowanych typów sieci, w tym grafowych sieci neuronowych działających bezpośrednio na siatce użytej w modelach elementów skończonych oraz sieci rekurencyjnych śledzących ewolucję materiałów w czasie. Sieci te pełnią rolę zastępczych modeli dla części symulacji, ucząc się odtwarzać odpowiedzi pełnych modeli mechanicznych. Dla testu zderzenia zderzaka samochodowego konwencjonalna sieć grafowa już obniżyła zużycie energii o ponad 99 procent w porównaniu ze standardowym uruchomieniem elementów skończonych, a warianty impulsowe zapowiadają jeszcze większe oszczędności.

Łączenie wiedzy fizycznej z uczeniem się

Aby wyjść poza jednorazowe zastępcze modele dopasowane do konkretnej geometrii, autorzy osadzają swoje sieci impulsowe bezpośrednio w procedurze elementów skończonych. W wielu punktach całkowania wewnątrz każdego elementu hybrydowa sieć z neuronami impulsowymi i konwencjonalnymi przewiduje, jak materiał będzie plastycznie płynąć i utwardzać się, opierając się zarówno na danych, jak i karze za naruszenie znanych praw fizyki. Ta konfiguracja „ucząca się w toku” pozwala solverowi poprawiać się podczas symulacji bez potrzeby oznakowanych danych treningowych, ponieważ funkcja straty pochodzi bezpośrednio z formy słabej równań rządzących. Testy pokazują, że zastąpienie tradycyjnych aktualizacji materiałowych tymi hybrydowymi jednostkami impulsowymi może zmniejszyć szacunkowe emisje CO2 dla dużej symulacji pojazdu z ponad 100 kilogramów do zaledwie kilku kilogramów, przy zachowaniu dokładności.

Wybór sprzętu dla bardziej ekologicznych symulacji

Neuromorficzne układy nie są jeszcze powszechnie dostępne jako wtyczkowe akcesoria do standardowych komputerów, dlatego autorzy badają również programowalne pola bramek (FPGA), elastyczną platformę sprzętową. Pokazują, że binarne sieci neuronowe działające na takich urządzeniach mogą oceniać prawa materiałowe szybciej i wydajniej niż wysokiej klasy procesory i karty graficzne. Dodatkowo argumentują, że codzienne bloki budulcowe solverów elementów skończonych, takie jak mnożenie globalnych macierzy sztywności przez wektory, również mogłyby zostać przeniesione na te wyspecjalizowane urządzenia, co w połączeniu z sieciami impulsowymi potencjalnie może obniżyć całkowite zużycie energii pełnej symulacji o ponad 90 procent.

Co to oznacza dla przyszłych narzędzi inżynierskich

Podsumowując, artykuł pokazuje, że obliczenia inspirowane mózgiem mogą radzić sobie z wymagającymi problemami mechanicznymi, nie tylko z rozpoznawaniem wzorców, i robić to przy wielokrotnie niższym zużyciu energii. Poprzez połączenie sieci impulsowych, treningu prowadzonego przez prawa fizyki i wyspecjalizowanych układów, autorzy wytyczają ścieżkę do narzędzi symulacyjnych, które uczą się w trakcie działania, uogólniają na różne struktury i znacznie zmniejszają zapotrzebowanie mocy dla złożonej analizy inżynierskiej. Dla czytelników wniosek jest taki, że przyszłe projekty samochodów, budynków i maszyn mogą powstawać z wysokim realizmem, jednocześnie obciążając centra danych i klimat w dużo mniejszym stopniu.

Cytowanie: 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

Słowa kluczowe: obliczenia neuromorficzne, impulsowe sieci neuronowe, metoda elementów skończonych, symulacja inżynierska, energooszczędna sztuczna inteligencja