IT之家1月13日报道 Phys科技媒体1月7日发表博文称，美国桑迪亚国家实验室在《自然-机器智能》上发表了最新成果，展示了一种新的Neurofem算法，可以让神经形态硬件求解偏微分方程（PDE）。偏微分方程是流体力学、电磁场和结构力学等物理现象建模的数学基础。长期以来，业界普遍认为类脑计算只适合加速图像识别和人工神经网络，并不适合进行严格的科学计算。然而，这项研究表明，模仿人脑结构的计算机不仅能够处理这些复杂的方程，而且能够以令人惊讶的效率进行处理。传统超级计算机消耗大量计算资源在求解偏微分方程时，神经形态计算机提供了一条完全不同的路径。研究人员艾蒙指出，人脑不断执行复杂的“背景计算”。他举了一个例子。 “控制诸如击打网球或挥动球棒之类的运动本质上是非常复杂的计算。从传统计算机的角度来看，这些是困难的‘百亿亿级’任务，但大脑可以以非常低的功耗轻松完成它们。”这项研究利用了这一原理，通过类脑机制显着降低了科学计算的能源成本。研究人员开发了一种名为“Neurofem”的新算法，成功在英特尔的 Loihi 2 神经拟态芯片上运行有限元法（FEM）。FEM 是工程师常用的“整数到零”计算方法。复杂的物体，例如汽车零件，在计算机上被切割成无数小块（单元），施加在每个小块上的应力约为计算以预测整体是否会破裂或变形。每张卡包含八个 Intel Loihi-2 芯片并且可堆叠。来源：英特尔 与依赖大规模数据训练的传统 AI 模型不同，Neurofem 不需要预训练，直接使用芯片架构进行优化。这意味着脑形芯片的应用场景已经从简单的模式识别扩展到复杂的物理模拟领域。 Neurofem 的核心是硬件的创造性使用。传统的有限元分析将对象划分为无数互连节点的网格，以模拟变形、力离子和波传播。研究人员将这些网格节点直接映射到神经形态芯片上，其中每个节点由 8 到 16 个“人工神经元”表示，节点之间的相互作用强度被转化为神经网络的权重参数。这样，通常需要的联立线性方程使用矩阵乘法的大型计算机变成了使用神经网络搜索“稳态”的优化过程，并且现在可以直接生成数值解。在基于 32 个 Intel Loihi 2 芯片的测试中，Neurofem 展示了令人惊讶的功效潜力。研究人员估计，这种方法的消耗是：比运行类似软件的传统计算机快五倍。在精度方面，Neurofem计算结果与传统有限元软件相比误差在千分之几个百分点以内，足见其可靠性。不过，目前的计算速度仍然比传统计算机慢，这意味着该技术目前更适合需要非常高能效的场景，而不是追求极限速度。尽管 Neurofem 在能源效率方面具有重要优势，但目前具有特定的应用范围。研究指出，这算法仅在处理“稀疏矩阵”方程（即仅在相邻节点之间存在相互作用）时才保持有效，因此不能直接应用于所有类型的方程求解方法。此外，随着英特尔推出包含更多神经元的Hala Point系统以及像Spinncloud这样的初创公司开发千片SNN系统，神经拟态计算在物理模拟领域的大规模应用将进一步加速。那ho附加参考地址
特别提示：以上内容（包括图片、视频，如有）由自有媒体平台“网易账号”用户上传发布。本平台仅提供信息存储服务。
注：以上内容（包括图片和视频，如有）由网易号用户上传发布，网易号是一个仅提供信息存储服务的社交媒体平台。
