类脑计算突破：Neurofem算法让AI芯片秒变数学天才，能效提升5倍

电子发烧友网报道（文/吴子鹏）当大多数人还将类脑计算与图像识别、语音交互等AI应用绑定在一起时，美国桑迪亚国家实验室的一项最新研究，正彻底改写这一技术的边界。日前，科技媒体Phys.org报道称，该实验室在《自然-机器智能》发表的成果显示，一种名为Neurofem的新型算法，成功让神经形态硬件具备了求解偏微分方程的能力。

值得注意的是，求解偏微分方程被视为模拟物理世界“数学基石”的复杂任务，长期以来被认为是类脑计算的“禁区”。因此，Neurofem算法的问世不仅打破了业界对类脑计算的认知桎梏，更在摩尔定律逼近极限、算力需求激增的当下，为科学计算提供了一条低能耗的全新路径。神经形态计算这一被《自然》综述称为“处于发展关键期”的领域，正迎来突破前夜的关键信号。

传统科学计算的能耗困局与Neurofem的破局之道

偏微分方程是现代科学和工程学的基石，从模拟飞机气动布局到计算建筑物结构强度，应用场景无处不在。然而，随着模型精度的提升，求解这些偏微分方程所需的稀疏线性方程组，对传统CPU和GPU的内存带宽与能耗提出了巨大挑战。

传统有限元方法（FEM）采用“化整为零”的计算策略：将复杂物体拆解为无数个小单元，通过计算每个单元的受力情况推演整体行为。这种方法虽有效，但需执行大量矩阵运算，计算成本高昂。同时，科学计算领域的能耗问题日益突出——传统CPU和GPU架构处理这类复杂方程时，往往需消耗兆瓦级电力，计算时间长达数小时甚至数天。这一瓶颈严重限制了科学研究的推进速度与实时仿真应用的发展。面对这一挑战，桑迪亚国家实验室的研究团队将目光投向了自然界最高效的计算系统——人脑。

此前，业界普遍认为，类脑计算这类基于脉冲神经网络的系统，仅擅长图像识别、语音唤醒等模式识别任务，难以胜任科学计算所需的严谨数学推理。这种认知差异的根源，在于两者计算逻辑的本质不同：传统计算机以二进制编码和矩阵运算为核心，追求精度与速度；而类脑计算通过模拟神经元的稀疏连接与事件驱动机制，追求高效与节能。

“人脑其实是最强大的‘节能计算机’。”桑迪亚国家实验室研究员Aimone的观点，恰恰点出了此次突破的核心灵感。神经形态计算代表了计算架构在晶体管层面的根本性重构思路，其灵感源于生物神经网络的形式与功能。与遵循预定指令的传统计算不同，神经形态芯片通过模拟大脑中神经元的脉冲通信方式处理信息。

桑迪亚国家实验室选择英特尔Loihi 2作为基础硬件平台。官网信息显示，英特尔Loihi 2性能较前代最高提升10倍，其在每个神经形态计算核心中植入可编程流水线，可支持算术运算、比较运算及程序控制流指令。相较于初代Loihi，Loihi 2的可编程特性大幅拓展了可支持的神经元模型范围，且未牺牲任何性能与能效表现，从而解锁了更丰富的应用场景。

Neurofem的核心创新，在于搭建起类脑硬件与科学计算之间的“桥梁”——将工程师常用的有限元方法（FEM）成功映射到英特尔Loihi 2神经拟态芯片上。有限元方法的本质是“化整为零”：将复杂物体分割为无数个相互连接的微小单元，通过计算每个单元的受力情况，最终推演整体物理状态。

而Neurofem的巧思，正是将这一数学过程与类脑硬件的架构完美适配。研究人员将FEM产生的稀疏线性系统等价转换为一个动力系统。在该系统中，网格的每一个节点对应芯片上的一组神经元，而线性方程组中的系数矩阵A直接决定神经元之间的连接权重。计算过程中，神经元通过发放脉冲进行通信，利用脉冲的相对时序编码数值，网络演化的稳态即为方程的解。为解决稳态误差问题，研究团队在神经元模型中引入比例-积分控制器动态机制。这一创新设计确保了脉冲网络的读数能够精确收敛到真实数学解，满足了科学计算对高精度的严格要求。

在基于32颗英特尔Loihi 2芯片的Oheo Gulch系统上的测试结果显示，Neurofem在保持高精度的同时，能效显著提升。在泊松方程测试中，Neurofem的解与传统SciPy求解器的结果高度一致，相对误差仅处于千分之几的范围。能效表现尤为突出：处理瞬态问题时，Neurofem的能耗显著低于传统CPU上的GMRES和CG求解器，功耗仅为传统CPU/GPU方案的1/5。这表明，神经形态计算在需反复求解边界条件变化问题的场景中，具有独特优势。

当前技术边界与产业界的启迪

尽管取得突破性进展，Neurofem算法仍存在一定局限性。该算法仅在处理“稀疏矩阵”方程组时能保持高效，因此尚无法直接适用于所有类型的方程求解；精度方面，由于Loihi 2是纯数字芯片且依赖定点数运算，将浮点物理模型转换为定点数时会引入量化误差——尤其当网格节点数极少（少于200个节点）时，这种量化误差可能导致计算不收敛；而对于非稀疏矩阵方程，其优势会大幅削弱，无法直接套用。这意味着，Neurofem并非“万能解法”，未来仍需针对不同类型的数学方程优化算法设计。

但业界更关注这一突破背后的行业信号：类脑计算正从AI领域向科学计算渗透，其应用边界正在快速扩张，而硬件层面的进展正为这种扩张提供核心动力。

除算法突破外，类脑芯片本身也在积极迭代以提升计算性能。例如，灵汐科技于2025年2月10日发布全球首款5nm神经拟态芯片NeuMatrix NM5。该芯片采用台积电N5P工艺，集成1280亿晶体管，通过三维SoIC封装集成32个神经核心和4个异构计算单元，片内带宽突破102.4TB/s，延迟低至0.3ns。实测数据显示，NeuMatrix NM5的能效是英伟达H100的3.2倍，脉冲神经训练任务的推理能力较H100提升470%。

写在最后

有行业专家指出，Neurofem的意义堪比深度学习领域的AlexNet时刻——后者通过GPU实现卷积神经网络的规模化应用，引发深度学习革命；而Neurofem通过类脑硬件实现科学计算的高效化，有望开启神经形态计算的“规模化浪潮”。随着摩尔定律逐渐逼近物理极限，类脑计算的低能耗优势将愈发凸显，而Neurofem的突破，正是这一变革的重要注脚。

不过，新技术从实验室走向商业落地仍有漫长的路要走，Neurofem仍需跨越算法优化、硬件升级、生态构建等多重关卡。