電子發(fā)燒友網(wǎng)報道（文/吳子鵬）當大多數(shù)人還將類腦計算與圖像識別、語音交互等AI應(yīng)用綁定在一起時，美國桑迪亞國家實驗室的一項最新研究，正徹底改寫這一技術(shù)的邊界。日前，科技媒體Phys.org報道稱，該實驗室在《自然-機器智能》發(fā)表的成果顯示，一種名為Neurofem的新型算法，成功讓神經(jīng)形態(tài)硬件具備了求解偏微分方程的能力。

值得注意的是，求解偏微分方程被視為模擬物理世界“數(shù)學(xué)基石”的復(fù)雜任務(wù)，長期以來被認為是類腦計算的“禁區(qū)”。因此，Neurofem算法的問世不僅打破了業(yè)界對類腦計算的認知桎梏，更在摩爾定律逼近極限、算力需求激增的當下，為科學(xué)計算提供了一條低能耗的全新路徑。神經(jīng)形態(tài)計算這一被《自然》綜述稱為“處于發(fā)展關(guān)鍵期”的領(lǐng)域，正迎來突破前夜的關(guān)鍵信號。

傳統(tǒng)科學(xué)計算的能耗困局與Neurofem的破局之道

偏微分方程是現(xiàn)代科學(xué)和工程學(xué)的基石，從模擬飛機氣動布局到計算建筑物結(jié)構(gòu)強度，應(yīng)用場景無處不在。然而，隨著模型精度的提升，求解這些偏微分方程所需的稀疏線性方程組，對傳統(tǒng)CPU和GPU的內(nèi)存帶寬與能耗提出了巨大挑戰(zhàn)。

傳統(tǒng)有限元方法（FEM）采用“化整為零”的計算策略：將復(fù)雜物體拆解為無數(shù)個小單元，通過計算每個單元的受力情況推演整體行為。這種方法雖有效，但需執(zhí)行大量矩陣運算，計算成本高昂。同時，科學(xué)計算領(lǐng)域的能耗問題日益突出——傳統(tǒng)CPU和GPU架構(gòu)處理這類復(fù)雜方程時，往往需消耗兆瓦級電力，計算時間長達數(shù)小時甚至數(shù)天。這一瓶頸嚴重限制了科學(xué)研究的推進速度與實時仿真應(yīng)用的發(fā)展。面對這一挑戰(zhàn)，桑迪亞國家實驗室的研究團隊將目光投向了自然界最高效的計算系統(tǒng)——人腦。

此前，業(yè)界普遍認為，類腦計算這類基于脈沖神經(jīng)網(wǎng)絡(luò)的系統(tǒng)，僅擅長圖像識別、語音喚醒等模式識別任務(wù)，難以勝任科學(xué)計算所需的嚴謹數(shù)學(xué)推理。這種認知差異的根源，在于兩者計算邏輯的本質(zhì)不同：傳統(tǒng)計算機以二進制編碼和矩陣運算為核心，追求精度與速度；而類腦計算通過模擬神經(jīng)元的稀疏連接與事件驅(qū)動機制，追求高效與節(jié)能。

“人腦其實是最強大的‘節(jié)能計算機’。”桑迪亞國家實驗室研究員Aimone的觀點，恰恰點出了此次突破的核心靈感。神經(jīng)形態(tài)計算代表了計算架構(gòu)在晶體管層面的根本性重構(gòu)思路，其靈感源于生物神經(jīng)網(wǎng)絡(luò)的形式與功能。與遵循預(yù)定指令的傳統(tǒng)計算不同，神經(jīng)形態(tài)芯片通過模擬大腦中神經(jīng)元的脈沖通信方式處理信息。

桑迪亞國家實驗室選擇英特爾Loihi 2作為基礎(chǔ)硬件平臺。官網(wǎng)信息顯示，英特爾Loihi 2性能較前代最高提升10倍，其在每個神經(jīng)形態(tài)計算核心中植入可編程流水線，可支持算術(shù)運算、比較運算及程序控制流指令。相較于初代Loihi，Loihi 2的可編程特性大幅拓展了可支持的神經(jīng)元模型范圍，且未犧牲任何性能與能效表現(xiàn)，從而解鎖了更豐富的應(yīng)用場景。

Neurofem的核心創(chuàng)新，在于搭建起類腦硬件與科學(xué)計算之間的“橋梁”——將工程師常用的有限元方法（FEM）成功映射到英特爾Loihi 2神經(jīng)擬態(tài)芯片上。有限元方法的本質(zhì)是“化整為零”：將復(fù)雜物體分割為無數(shù)個相互連接的微小單元，通過計算每個單元的受力情況，最終推演整體物理狀態(tài)。

而Neurofem的巧思，正是將這一數(shù)學(xué)過程與類腦硬件的架構(gòu)完美適配。研究人員將FEM產(chǎn)生的稀疏線性系統(tǒng)等價轉(zhuǎn)換為一個動力系統(tǒng)。在該系統(tǒng)中，網(wǎng)格的每一個節(jié)點對應(yīng)芯片上的一組神經(jīng)元，而線性方程組中的系數(shù)矩陣A直接決定神經(jīng)元之間的連接權(quán)重。計算過程中，神經(jīng)元通過發(fā)放脈沖進行通信，利用脈沖的相對時序編碼數(shù)值，網(wǎng)絡(luò)演化的穩(wěn)態(tài)即為方程的解。為解決穩(wěn)態(tài)誤差問題，研究團隊在神經(jīng)元模型中引入比例-積分控制器動態(tài)機制。這一創(chuàng)新設(shè)計確保了脈沖網(wǎng)絡(luò)的讀數(shù)能夠精確收斂到真實數(shù)學(xué)解，滿足了科學(xué)計算對高精度的嚴格要求。

在基于32顆英特爾Loihi 2芯片的Oheo Gulch系統(tǒng)上的測試結(jié)果顯示，Neurofem在保持高精度的同時，能效顯著提升。在泊松方程測試中，Neurofem的解與傳統(tǒng)SciPy求解器的結(jié)果高度一致，相對誤差僅處于千分之幾的范圍。能效表現(xiàn)尤為突出：處理瞬態(tài)問題時，Neurofem的能耗顯著低于傳統(tǒng)CPU上的GMRES和CG求解器，功耗僅為傳統(tǒng)CPU/GPU方案的1/5。這表明，神經(jīng)形態(tài)計算在需反復(fù)求解邊界條件變化問題的場景中，具有獨特優(yōu)勢。

當前技術(shù)邊界與產(chǎn)業(yè)界的啟迪

盡管取得突破性進展，Neurofem算法仍存在一定局限性。該算法僅在處理“稀疏矩陣”方程組時能保持高效，因此尚無法直接適用于所有類型的方程求解；精度方面，由于Loihi 2是純數(shù)字芯片且依賴定點數(shù)運算，將浮點物理模型轉(zhuǎn)換為定點數(shù)時會引入量化誤差——尤其當網(wǎng)格節(jié)點數(shù)極少（少于200個節(jié)點）時，這種量化誤差可能導(dǎo)致計算不收斂；而對于非稀疏矩陣方程，其優(yōu)勢會大幅削弱，無法直接套用。這意味著，Neurofem并非“萬能解法”，未來仍需針對不同類型的數(shù)學(xué)方程優(yōu)化算法設(shè)計。

但業(yè)界更關(guān)注這一突破背后的行業(yè)信號：類腦計算正從AI領(lǐng)域向科學(xué)計算滲透，其應(yīng)用邊界正在快速擴張，而硬件層面的進展正為這種擴張?zhí)峁┖诵膭恿Α?br />
除算法突破外，類腦芯片本身也在積極迭代以提升計算性能。例如，靈汐科技于2025年2月10日發(fā)布全球首款5nm神經(jīng)擬態(tài)芯片NeuMatrix NM5。該芯片采用臺積電N5P工藝，集成1280億晶體管，通過三維SoIC封裝集成32個神經(jīng)核心和4個異構(gòu)計算單元，片內(nèi)帶寬突破102.4TB/s，延遲低至0.3ns。實測數(shù)據(jù)顯示，NeuMatrix NM5的能效是英偉達H100的3.2倍，脈沖神經(jīng)訓(xùn)練任務(wù)的推理能力較H100提升470%。

寫在最后

有行業(yè)專家指出，Neurofem的意義堪比深度學(xué)習(xí)領(lǐng)域的AlexNet時刻——后者通過GPU實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的規(guī)模化應(yīng)用，引發(fā)深度學(xué)習(xí)革命；而Neurofem通過類腦硬件實現(xiàn)科學(xué)計算的高效化，有望開啟神經(jīng)形態(tài)計算的“規(guī)模化浪潮”。隨著摩爾定律逐漸逼近物理極限，類腦計算的低能耗優(yōu)勢將愈發(fā)凸顯，而Neurofem的突破，正是這一變革的重要注腳。

不過，新技術(shù)從實驗室走向商業(yè)落地仍有漫長的路要走，Neurofem仍需跨越算法優(yōu)化、硬件升級、生態(tài)構(gòu)建等多重關(guān)卡。