Введение устойчивых нейроморфных вычислений в механике инженерии

Почему этот новый тип компьютера важен

От проектирования безопасных автомобилей до планирования ветряных турбин инженеры опираются на тяжёлые компьютерные симуляции, которые потребляют большие объёмы электроэнергии и увеличивают выбросы углерода. В этой работе рассматривается вдохновлённый мозгом подход к запуску таких симуляций с гораздо меньшим энергопотреблением, предполагающий, что будущее инженерного программного обеспечения может стать быстрее, экологичнее и гибче без потери точности.

Переосмысление моделирования механических конструкций

Большая часть современного инженерного проектирования использует метод конечных элементов, численный рабочий инструмент, который разбивает мост, автомобиль или самолёт на множество маленьких фрагментов и рассчитывает, как каждый из них изгибается или растягивается. Эти модели мощные, но крайне требовательные к вычислительным ресурсам, особенно когда они учитывают реальные сложности, такие как большие деформации и неупругие материалы. При этом распространённые инструменты искусственного интеллекта, например глубокие нейронные сети, также требуют огромных дата-центров, что увеличивает потребление энергии. Авторы утверждают, что сохранение нынешней траектории сделает высокоточные симуляции всё более дорогими и экологически обременительными.

Заимствование идей у мозга для экономии энергии

Исследование сосредоточено на спайковых нейронных сетях — классе алгоритмов, которые ближе имитируют работу биологических нейронов. Вместо постоянного перемешивания чисел, как в стандартных сетях, эти модели обмениваются информацией только через краткие электрические вспышки, когда происходит что-то важное. Нейроморфные чипы, запускающие такие сети, спроектированы так, чтобы использовать эту разреженную коммуникацию, потребляя энергию лишь при возникновении вспышек. В точных измерениях авторы показывают, что для базовой операции, такой как умножение матрицы на вектор, специализированные нейроморфные чипы потребляют доли энергии, необходимой стандартным центральным и графическим процессорам, иногда во много сотен тысяч раз меньше. При масштабировании на полные инженерные симуляции это означает огромный потенциал сокращения потребления электроэнергии и связанных с ним выбросов.

Обучение мозцеподобных сетей пониманию механики

Ключевая проблема в том, что большая часть нейроморфных исследований направлена на распознавание образов, тогда как инженерии нужны точные численные предсказания напряжений, деформаций и других переменных состояния. Авторы создают спайковые версии нескольких продвинутых типов сетей, включая графовые нейронные сети, которые работают непосредственно на сетке, используемой в конечно-элементных моделях, и рекуррентные сети, отслеживающие эволюцию материалов во времени. Эти сети выступают в роли суррогатов для частей симуляции, обучаясь воспроизводить отклики полных механических моделей. Для краш-теста бампера автомобиля обычная графовая сеть уже сократила энергопотребление более чем на 99 процентов по сравнению со стандартным конечно-элементным расчётом, а спайковые варианты обещают ещё большие экономии.

Сочетание физического знания и самообучения

Чтобы выйти за рамки одноразовых суррогатов, адаптированных под одну геометрию, авторы внедряют свои спайковые сети непосредственно в процедуру конечных элементов. Во многих интеграционных точках внутри каждого элемента гибридная сеть из спайковых и обычных нейронов предсказывает, как материал будет текуче вести себя и закаляться, ориентируясь как на данные, так и на штраф за нарушение известных физических законов. Такая «самообучающаяся» конфигурация позволяет решателю совершенствоваться в ходе симуляции без размеченных обучающих данных, поскольку функция потерь выводится напрямую из слабой формы управляющих уравнений. Тесты показывают, что замена традиционных обновлений материалов на эти гибридные спайковые блоки может снизить оценочные выбросы углерода для крупной автомобильной симуляции с более чем 100 килограммов CO2 до всего нескольких килограммов при сохранении точности.

Выбор аппаратуры для более экологичных симуляций

Нейроморфные чипы пока не широко доступны как подключаемые устройства для стандартных компьютеров, поэтому авторы также исследуют программируемые вентильные матрицы (ПЛИС) как гибкую аппаратную платформу. Они демонстрируют, что бинаризованные нейронные сети на таких устройствах могут оценивать законы материалов быстрее и эффективнее, чем как высокопроизводительные процессоры, так и графические карты. Авторы также утверждают, что повседневные блоки строителей решателей конечных элементов, такие как умножение глобальных матриц жёсткости на векторы, также можно перенести на эти специализированные устройства, что при сочетании со спайковыми сетями потенциально сократит общее энергопотребление полной симуляции более чем на 90 процентов.

Что это означает для будущих инженерных инструментов

В целом работа показывает, что мозцеподобные вычисления способны справляться со сложными механическими задачами, а не только с распознаванием образов, и делать это с энергопотреблением на порядки ниже. Комбинируя спайковые сети, обучение с учётом физики и специализированные чипы, авторы очерчивают путь к инструментам моделирования, которые учатся на ходу, обобщают поведение для разных конструкций и резко сокращают мощность, необходимую для сложного инженерного анализа. Для читателей вывод прост: будущие проекты автомобилей, зданий и машин могут разрабатываться с высокой реалистичностью, оказывая значительно меньшее давление на дата-центры и климат.

Цитирование: 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

Ключевые слова: нейроморфные вычисления, спайковые нейронные сети, метод конечных элементов, инженерное моделирование, энергоэффективный ИИ