Apresentando computação neuromórfica sustentável em Mecânica de Engenharia

Por que esse novo tipo de computador importa

Desde projetar carros mais seguros até planejar turbinas eólicas, engenheiros dependem de simulações computacionais intensivas que consomem grandes quantidades de eletricidade e aumentam as emissões de carbono. Este artigo explora uma maneira inspirada no cérebro de executar essas simulações usando muito menos energia, sugerindo que o software de engenharia futuro pode se tornar mais rápido, mais limpo e mais flexível sem sacrificar a precisão.

Repensando como simulamos estruturas mecânicas

A maior parte do projeto de engenharia moderno usa o método dos elementos finitos, um recurso numérico que divide uma ponte, carro ou aeronave em muitas pequenas peças e calcula como cada uma dobra ou estica. Esses modelos são poderosos, mas extremamente famintos por poder computacional, especialmente quando capturam complexidades do mundo real como grandes deformações e materiais inelásticos. Ao mesmo tempo, ferramentas comuns de inteligência artificial, como redes neurais profundas, também exigem centros de dados vastos, aumentando ainda mais a demanda de energia. Os autores argumentam que manter essa trajetória tornará as simulações de alta fidelidade cada vez mais caras e onerosas para o meio ambiente.

Tomando emprestado ideias do cérebro para economizar energia

O estudo concentra-se em redes neurais por disparo, uma classe de algoritmos que imita mais de perto o funcionamento dos neurônios biológicos. Em vez de manipular números constantemente como as redes padrão, esses modelos comunicam-se apenas por curtos pulsos elétricos quando algo relevante ocorre. Chips neuromórficos que executam tais redes são projetados para explorar essa comunicação esparsa, consumindo energia apenas quando ocorrem os disparos. Em medições cuidadosas, os autores mostram que, para uma operação básica como multiplicação matriz–vetor, chips neuromórficos especializados usam frações ínfimas da energia requerida por processadores centrais e gráficos padrão, por vezes por fatores de centenas de milhares. Essa diferença, ampliada para simulações completas de engenharia, se traduz em enormes reduções potenciais no uso de eletricidade e nas emissões associadas.

Ensinando redes inspiradas no cérebro a entender mecânica

Um desafio chave é que a maior parte da pesquisa neuromórfica mira reconhecimento de padrões, enquanto a engenharia precisa de previsões numéricas precisas de tensões, deformações e outras variáveis de estado. Os autores constroem versões por disparo de vários tipos avançados de rede, incluindo redes neurais de grafos que operam diretamente na malha usada em modelos de elementos finitos e redes recorrentes que acompanham a evolução dos materiais ao longo do tempo. Essas redes atuam como substitutos (surrogates) para partes da simulação, aprendendo a reproduzir as respostas de modelos mecânicos completos. Para um teste de colisão no para-choque de um carro, uma rede de grafo convencional já reduziu o consumo de energia em mais de 99% em relação a uma execução padrão de elementos finitos, enquanto variantes por disparo prometem economias ainda maiores.

Misturando conhecimento de física com autoaprendizagem

Para ir além de substitutos pontuais ajustados a uma única geometria, os autores incorporam suas redes por disparo dentro do próprio procedimento de elementos finitos. Em muitos pontos de integração dentro de cada elemento, uma rede híbrida de neurônios por disparo e neurônios convencionais prevê como o material irá ceder e enrijecer, guiada tanto por dados quanto por uma penalidade por violar regras físicas conhecidas. Essa configuração de "autoaprendizagem" permite que o resolvedor melhore durante a simulação sem dados rotulados de treinamento, porque a função de perda vem diretamente da forma fraca das equações governantes. Testes mostram que substituir atualizações tradicionais de material por essas unidades híbridas por disparo pode reduzir as emissões de carbono estimadas para uma simulação de um grande veículo de bem mais de 100 quilogramas de CO2 para apenas alguns quilogramas, mantendo a precisão.

Escolhas de hardware para simulações mais verdes

Chips neuromórficos ainda não estão amplamente disponíveis como auxiliares plug-in para computadores padrão, então os autores também exploram arrays de portas programáveis em campo (FPGAs), uma plataforma de hardware flexível. Eles demonstram que redes neurais binarizadas rodando nesses dispositivos podem avaliar leis de material mais rápido e de forma mais eficiente do que tanto processadores de alto desempenho quanto placas gráficas. Argumentam ainda que blocos de construção cotidianos de resolvedores de elementos finitos, como multiplicar matrizes globais de rigidez por vetores, também poderiam ser movidos para esses dispositivos especializados, potencialmente cortando o uso total de energia de uma simulação completa em mais de 90% quando combinado com redes por disparo.

O que isso significa para ferramentas de engenharia futuras

No geral, o artigo mostra que a computação inspirada no cérebro pode lidar com problemas mecânicos exigentes, não apenas com reconhecimento de padrões, e pode fazê-lo com uso de energia muitas ordens de magnitude menor. Ao combinar redes por disparo, treinamento guiado pela física e chips especializados, os autores delineiam um caminho para ferramentas de simulação que aprendem em tempo real, generalizam entre diferentes estruturas e reduzem drasticamente a energia necessária para análises de engenharia complexas. Para os leitores, a conclusão é que futuros projetos de carros, edifícios e máquinas poderão ser desenvolvidos com alto realismo enquanto exercem muito menos pressão sobre centros de dados e sobre o clima.

Citação: 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

Palavras-chave: computação neuromórfica, redes neurais por disparo, método dos elementos finitos, simulação de engenharia, IA energeticamente eficiente