在工程力学中引入可持续的类脑计算

这种新型计算机为何重要

从设计更安全的汽车到规划风力涡轮机，工程师依赖大量计算仿真，这些仿真消耗大量电力并增加碳排放。本文探讨了一种受大脑启发的仿真方法，能以远低于现有能耗运行，表明未来的工程软件有望在不损失精度的前提下变得更快、更清洁、更灵活。

重新思考我们如何模拟机械结构

现代工程设计大多使用有限元方法，这一数值工具将桥梁、汽车或飞机分解为许多小单元，计算每个单元如何弯曲或拉伸。这些模型功能强大，但对计算资源的需求极高，尤其是在处理大位移和非弹性材料等真实复杂性时。同时，常见的人工智能工具如深度神经网络也依赖大规模数据中心，进一步增加能耗。作者指出，继续沿着当前路径发展将使高保真仿真日益昂贵且对环境负担加重。

借鉴大脑的思路以节能

研究聚焦于脉冲神经网络，这类算法更接近生物神经元的工作方式。与传统神经网络不断运算不同，这些模型仅在重要事件发生时通过短促的电脉冲进行通信。运行此类网络的类脑芯片利用这种稀疏通信特性，仅在发生脉冲时消耗能量。作者在精确测量中表明，对于诸如矩阵—向量乘法之类的基本操作，专用类脑芯片消耗的能量仅为标准中央处理器和图形处理器的极小一部分，有时低到数十万分之一。将这种差异放大到完整工程仿真，可以实现巨大的电力和相关排放减少潜力。

教类脑网络理解力学

一个关键挑战是大多数类脑研究针对模式识别，而工程需要对应力、应变等状态量给出精确的数值预测。作者构建了几种高级网络的脉冲版本，包括直接在有限元网格上运行的图神经网络以及跟踪材料随时间演变的递归网络。这些网络作为仿真的替代模块，学习再现完整力学模型的响应。以汽车保险杠碰撞试验为例，传统的图网络相较于标准有限元计算已将能耗降低超过99%，而脉冲网络有望带来更大的节能效果。

将物理知识与自学习融合

为超越针对单一几何体的单次替代器，作者将脉冲网络嵌入有限元过程本身。在每个单元的多个积分点处，脉冲与传统神经元混合的网络预测材料如何屈服与硬化，既依赖数据也对违反已知物理规律施加惩罚。这种“自学习”设置使求解器在仿真过程中无需标注训练数据即可改进，因为损失函数直接来自控制方程的弱形式。测试表明，用这些混合脉冲单元替代传统材料更新，可以将大型车辆仿真的估算碳排放从远超100千克 CO2 降至仅几千克，同时保持准确性。

为更环保的仿真做出的硬件选择

类脑芯片尚未广泛作为标准计算机的即插即用辅助设备，因此作者还研究了现场可编程门阵列（FPGA）这一灵活的硬件平台。他们证明，在这些设备上运行的二值化神经网络能够比高端处理器和显卡更快、更高效地评估材料本构关系。作者进一步提出，有限元求解器的常见构件，如将全局刚度矩阵乘以向量，也可以迁移到这些专用设备上，当与脉冲网络结合时，有可能将完整仿真的总体能耗降低超过90%。

这对未来工程工具意味着什么

总体而言，论文展示了类脑计算能够处理要求苛刻的力学问题，而不仅仅是模式识别，并可实现数量级更低的能耗。通过结合脉冲网络、物理引导的训练和专用芯片，作者勾勒出一条路径，使仿真工具具备在线学习能力、跨结构泛化并大幅减少复杂工程分析所需的能量。对读者而言，可见的结论是：未来汽车、建筑和机器的设计可以在保持高现实性的同时，大大减轻对数据中心和气候的压力。

引用: 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

关键词: 类脑计算, 脉冲神经网络, 有限元方法, 工程仿真, 能效 AI