電子發(fā)燒友網(wǎng)報道（文/吳子鵬）當(dāng)大多數(shù)人還將類腦計(jì)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(shí)驗(yàn)室的一項(xiàng)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(shí)驗(yàn)室在《自然-機(jī)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(rèn)為是類腦計(jì)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(jì)算的認(rèn)知桎梏，更在摩爾定律逼近極限、算力需求激增的當(dāng)下，為科學(xué)計(jì)算提供了一條低能耗的全新路徑。神經(jīng)形態(tài)計(jì)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(jì)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(jī)氣動布局到計(jì)算建筑物結(jié)構(gòu)強(qiáng)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(jì)算策略：將復(fù)雜物體拆解為無數(shù)個小單元，通過計(jì)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(yùn)算，計(jì)算成本高昂。同時，科學(xué)計(jì)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(jì)算時間長達(dá)數(shù)小時甚至數(shù)天。這一瓶頸嚴(yán)重限制了科學(xué)研究的推進(jìn)速度與實(shí)時仿真應(yīng)用的發(fā)展。面對這一挑戰(zhàn)，桑迪亞國家實(shí)驗(yàn)室的研究團(tuán)隊(duì)將目光投向了自然界最高效的計(jì)算系統(tǒng)——人腦。

此前，業(yè)界普遍認(rèn)為，類腦計(jì)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(jì)算所需的嚴(yán)謹(jǐn)數(shù)學(xué)推理。這種認(rèn)知差異的根源，在于兩者計(jì)算邏輯的本質(zhì)不同：傳統(tǒng)計(jì)算機(jī)以二進(jìn)制編碼和矩陣運(yùn)算為核心，追求精度與速度；而類腦計(jì)算通過模擬神經(jīng)元的稀疏連接與事件驅(qū)動機(jī)制，追求高效與節(jié)能。

“人腦其實(shí)是最強(qiáng)大的‘節(jié)能計(jì)算機(jī)’?！鄙５蟻唶覍?shí)驗(yàn)室研究員Aimone的觀點(diǎn)，恰恰點(diǎn)出了此次突破的核心靈感。神經(jīng)形態(tài)計(jì)算代表了計(jì)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(jì)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(shí)驗(yàn)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(jì)算核心中植入可編程流水線，可支持算術(shù)運(yùn)算、比較運(yùn)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(jì)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(jì)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(diǎn)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(jì)算過程中，神經(jīng)元通過發(fā)放脈沖進(jìn)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(tuán)隊(duì)在神經(jīng)元模型中引入比例-積分控制器動態(tài)機(jī)制。這一創(chuàng)新設(shè)計(jì)確保了脈沖網(wǎng)絡(luò)的讀數(shù)能夠精確收斂到真實(shí)數(shù)學(xué)解，滿足了科學(xué)計(jì)算對高精度的嚴(yán)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(jì)算在需反復(fù)求解邊界條件變化問題的場景中，具有獨(dú)特優(yōu)勢。

當(dāng)前技術(shù)邊界與產(chǎn)業(yè)界的啟迪

盡管取得突破性進(jìn)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(diǎn)數(shù)運(yùn)算，將浮點(diǎn)物理模型轉(zhuǎn)換為定點(diǎn)數(shù)時會引入量化誤差——尤其當(dāng)網(wǎng)格節(jié)點(diǎn)數(shù)極少（少于200個節(jié)點(diǎn)）時，這種量化誤差可能導(dǎo)致計(jì)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(jì)。

但業(yè)界更關(guān)注這一突破背后的行業(yè)信號：類腦計(jì)算正從AI領(lǐng)域向科學(xué)計(jì)算滲透，其應(yīng)用邊界正在快速擴(kuò)張，而硬件層面的進(jìn)展正為這種擴(kuò)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(jì)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(jì)算單元，片內(nèi)帶寬突破102.4TB/s，延遲低至0.3ns。實(shí)測數(shù)據(jù)顯示，NeuMatrix NM5的能效是英偉達(dá)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(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的規(guī)?；瘧?yīng)用，引發(fā)深度學(xué)習(xí)革命；而Neurofem通過類腦硬件實(shí)現(xiàn)科學(xué)計(jì)算的高效化，有望開啟神經(jīng)形態(tài)計(jì)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(jì)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(shí)驗(yàn)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。