Introducerar hållbar neuromorf beräkning inom teknisk mekanik

Varför denna nya typ av dator spelar roll

Från att konstruera säkrare bilar till att planera vindkraftverk förlitar sig ingenjörer på tunga datorsimuleringar som förbrukar stora mängder elektricitet och ökar koldioxidutsläppen. Denna artikel utforskar ett hjärnliknande sätt att köra dessa simuleringar med betydligt lägre energiförbrukning, och föreslår att framtidens ingenjörsprogramvara kan bli snabbare, renare och mer flexibel utan att offra noggrannheten.

Ompröva hur vi simulerar mekaniska strukturer

De flesta moderna ingenjörsdesigner använder finit elementmetod, ett numeriskt arbetshästverktyg som delar upp en bro, bil eller flygplan i många små delar och beräknar hur varje del böjs eller töjs. Dessa modeller är kraftfulla men extremt krävande vad gäller beräkningskraft, särskilt när de fångar verklighetens komplexitet som stora deformationer och oelastiska material. Samtidigt kräver vanliga artificiella intelligensverktyg som djupa neurala nätverk också stora datacenter, vilket ökar energibehovet ytterligare. Författarna hävdar att om denna utveckling fortsätter kommer högfidelitetsimuleringar bli allt dyrare och mer betungande för miljön.

Låna idéer från hjärnan för att spara energi

Studien fokuserar på spikande neurala nätverk, en klass algoritmer som i högre grad efterliknar hur biologiska neuroner fungerar. Istället för att ständigt flytta runt tal som vanliga nätverk gör kommunicerar dessa modeller endast via korta elektriska spikar när något viktigt inträffar. Neuromorfa chip som kör sådana nätverk är byggda för att utnyttja denna glesa kommunikation och förbrukar energi endast när spikar inträffar. I noggranna mätningar visar författarna att för en grundläggande operation som matris–vektor-multiplikation använder specialiserade neuromorfa chip en mycket liten del av energin som krävs av vanliga central- och grafikprocessorer, ibland med faktorer på hundratusentals. Denna skillnad, uppskalat till fullständiga ingenjörssimuleringar, översätts till enorma potentiella minskningar i elförbrukning och tillhörande utsläpp.

Lära hjärnliknande nätverk att förstå mekanik

En nyckelutmaning är att majoriteten av neuromorf forskning inriktar sig på mönsterigenkänning, medan ingenjörsarbete behöver noggranna numeriska prediktioner av spänningar, töjningar och andra tillståndsvariabler. Författarna bygger spikande varianter av flera avancerade nätverkstyper, inklusive grafneuronätverk som arbetar direkt på den mesh som används i finit element-modeller och rekurrenta nätverk som följer hur material utvecklas över tid. Dessa nätverk fungerar som surrogat för delar av simuleringen och lär sig återskapa svaren från fullständiga mekaniska modeller. För ett krocktest av en bilstötfångare minskade ett konventionellt grafnät redan energianvändningen med mer än 99 procent jämfört med en standard finit element-körning, medan spikande varianter lovar ännu större besparingar.

Blanda fysikkunskap med självlärande

För att gå bortom engångssurrogat anpassade till en enda geometri bäddar författarna in sina spikande nätverk i själva finit element-proceduren. Vid många integrationspunkter inne i varje element förutsäger ett hybridnätverk av spikande och konventionella neuroner hur materialet kommer att flyta och hårdna, styrt av både data och en straffterm för att bryta kända fysikaliska regler. Denna "självlärande" uppställning tillåter lösaren att förbättra sig under simuleringen utan märkt träningsdata, eftersom förlustfunktionen kommer direkt från den svaga formen av de styrande ekvationerna. Tester visar att ersättning av traditionella materialuppdateringar med dessa hybrida spikande enheter kan krympa uppskattade koldioxidutsläpp för en stor fordonsimulering från väl över 100 kilogram CO2 till endast några få kilogram, samtidigt som noggrannheten bibehålls.

Hårdvaruval för grönare simuleringar

Neuromorfa chip är ännu inte allmänt tillgängliga som plug-in-hjälpmedel för standarddatorer, så författarna undersöker också fältprogrammerbara grindarrayer (FPGA), en flexibel hårdvaruplattform. De visar att binariserade neurala nätverk som körs på sådana enheter kan utvärdera materiallagar snabbare och mer effektivt än både högpresterande processorer och grafikkort. De argumenterar vidare för att vardagliga byggstenar i finit element-lösare, såsom multiplikation av globala styvhetsmatriser med vektorer, också skulle kunna flyttas till dessa specialiserade enheter, vilket potentiellt kan sänka den totala energianvändningen för en komplett simulering med mer än 90 procent i kombination med spikande nätverk.

Vad detta betyder för framtida ingenjörsverktyg

Sammanfattningsvis visar artikeln att hjärnliknande beräkningar kan hantera krävande mekaniska problem, inte bara mönsterigenkänning, och kan göra det med energianvändning som är flera storleksord lägre. Genom att kombinera spikande nätverk, fysikstyrd träning och specialiserade chip skisserar författarna en väg mot simuleringsverktyg som lär sig löpande, generaliserar över olika strukturer och kraftigt minskar den energi som krävs för komplex ingenjörsanalys. För läsaren är slutsatsen att framtida konstruktioner av bilar, byggnader och maskiner skulle kunna utvecklas med hög realism samtidigt som belastningen på datacenter och klimatet minskar avsevärt.

Citering: 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

Nyckelord: neuromorf beräkning, spikande neurala nätverk, finit elementmetod, ingenjörssimulering, energieffektiv AI