Subtil gefährlicher als KI: Die Hypothese „Das Gehirn rechnet“ trifft auf die Ingenieurwissenschaften — Neuromorphik × Physiksimulation

Die gängige Annahme, dass "hirnähnliche Computer schlecht in Mathematik sind", wird erschüttert

Neuromorphe Computer sind Rechner, die sich von den neuronalen Schaltkreisen des Gehirns inspirieren lassen. Sie können Informationen mit extrem niedrigem Energieverbrauch parallel und asynchron verarbeiten, galten jedoch lange als ungeeignet für "exakte numerische Berechnungen" – insbesondere für partielle Differentialgleichungen (PDE), die das Herzstück physikalischer Simulationen bilden. Am 7. Januar 2026 wurde jedoch ein Artikel auf Phys.org veröffentlicht, der auf einer Ankündigung des Sandia National Laboratory basierte und eine Studie vorstellte, die diese Annahme in Frage stellt. Es stellte sich heraus, dass hirnähnliche Computer PDEs überraschend gut lösen können. Phys.org

Im Mittelpunkt der Forschung steht die "Heirat" der Finite-Elemente-Methode (FEM) mit spikenden neuronalen Netzwerken (SNN). Die FEM ist eine etablierte Methode, um PDEs, die Flüssigkeiten, elektromagnetische Felder, Strukturmechanik usw. beschreiben, zu diskretisieren und durch das Lösen großer (aber spärlicher) Systeme linearer Gleichungen $Ax=b$ eine Näherungslösung zu erhalten. Von Wettervorhersagen bis hin zur Materialgestaltung ist die moderne Wissenschaft und Technik ohne FEM kaum denkbar. News Releases

NeuroFEM: Numerische Analyse nicht "lernen", sondern "übersetzen"

Die aktuelle Studie (veröffentlicht in Nature Machine Intelligence, Open Access) zeigt den Algorithmus "NeuroFEM", der die Struktur der spärlichen Matrix $A$ direkt auf die Verbindungen eines SNN abbildet und durch die zeitlichen Beziehungen der Spikes zur Lösung konvergiert. Der entscheidende Punkt ist, dass die Lösung nicht durch "Lernen" des neuronalen Netzes erfolgt. Stattdessen wird die bereits etablierte Mathematik der FEM in eine "native" neuromorphe Form übersetzt. Nature

Laut der Zusammenfassung des Artikels zeigte das System bei der grundlegenden PDE der Poisson-Gleichung eine bedeutende Genauigkeit und "nahezu ideale Skalierung" auf hochparalleler neuromorpher Hardware. Das tatsächliche Gerät war der neuromorphe Forschungs-Chip Loihi 2 von Intel. Es wurde auch gezeigt, dass es auf unregelmäßige 2D/3D-Meshes und andere PDEs wie lineare Elastizität erweitert werden kann. Nature

Eine detailliertere Erklärung: Jeder Knoten des Meshs wird zu einer "kleinen neuronalen Gruppe"

In NeuroFEM wird jedem Knoten des FEM-Meshs eine Gruppe von etwa 8 bis 16 Neuronen zugewiesen (dies ist ein Hyperparameter). Die nicht-null Elemente der spärlichen Matrix $A$ werden als synaptische Gewichte zwischen den Knoten reflektiert. Der rechte Teil $b$ wird als Bias für jedes Neuron hinzugefügt, und durch das Hinzufügen von Rauschsignalen wird ein asynchroner, balancierter Spiking-Zustand erzeugt. Da die Spike-Sequenzen nicht direkt numerisch sind, wird durch eine Art Tiefpassfilter-Lesevorgang (readout) eine Schätzung der Lösung jedes Knotens rekonstruiert. Nature

Interessant ist, dass das Problem, dass "direktes Abbilden zu einem stationären Bias in der Lösung führt", durch das Hinzufügen einer Zustandsvariable, die den lokalen Restfehler jedes Neurons integriert, gelöst wurde. Dies eliminiert den stationären Fehler durch verteilte Spiking-PI (proportional + integral) Steuerung. Dadurch wird der Fehler lokal ohne eine zentrale Steuerung reduziert. Nature

Es wird auch erwähnt, dass, sobald das Netzwerk einmal aufgebaut ist, es schnell auf andere Probleme reagieren kann, indem nur der rechte Teil (externe Kräfte oder Quellen) geändert wird, ohne dass zusätzliches Lernen erforderlich ist. Dies deutet auf eine Nutzung hin, bei der das System kontinuierlich Lösungen entsprechend den Eingaben von Sensoren vor Ort berechnet – eine Richtung, die im Artikel als "neuromorpher Zwilling" beschrieben wird. Nature

Warum "hirnähnlich" bei PDEs funktioniert: Der Punkt von Energieeffizienz und Skalierung

Die Pressemitteilung von Sandia weist darauf hin, dass PDEs für die Modellierung der realen Welt, wie bei Wettervorhersagen und Materialverhalten, unverzichtbar sind, aber traditionell enorme Rechenressourcen erforderten. Neuromorphe Systeme, die Informationen wie das Gehirn verarbeiten, könnten ähnliche Probleme mit geringerem Energieverbrauch bewältigen. News Releases

Die Aussagen gehen noch weiter. Herr Theilman bemerkt, dass es zwar Rechensysteme gibt, die intelligentes Verhalten zeigen, diese jedoch "überhaupt nicht wie das Gehirn sind und die benötigten Ressourcen (ehrlich gesagt) lächerlich sind". News Releases

Herr Aimone zeigt auch die Intuition, dass die Bewegungssteuerung, wie beim Schlagen eines Tennisballs, eine "sehr raffinierte Berechnung" ist und das Gehirn dies äußerst kostengünstig bewältigt. Phys.org

Hier wird der Punkt angesprochen, dass Berechnungen wie PDE-Solver gut zu "vielen lokalen Berechnungen", "spärlicher Kommunikation" und "asynchronem Parallelismus" passen. Tatsächlich stellt das Papier fest, dass die Beschränkungen von Sparsität, Verteilung und Asynchronität im Gehirn "merkwürdig gut" mit den Einschränkungen moderner Hochleistungsnumerik übereinstimmen und dass die von FEM abgeleitete schwache Kopplung die Vorteile der Neuromorphie hervorheben kann. Nature

Allerdings ist es kein Allheilmittel: Die "nächsten Hausaufgaben" in Bezug auf Genauigkeit, Implementierung und Bewertung

Gleichzeitig wird nicht versprochen, dass "herkömmliche Supercomputer vollständig ersetzt werden". Im Artikel wird darauf hingewiesen, dass der absolute Wert des Restfehlers je nach Einstellung variieren kann, manchmal schlechter als klassische Solver (z.B. SciPy's spsolve) ist und dass die Wahl der Parameter die Leistungsbeobachtung beeinflussen kann, was weitere Untersuchungen der numerischen Eigenschaften erfordert. Nature

Dennoch ist das Übertragen der "zuverlässigen Mathematik" der FEM ohne auf Black-Box-Lernen angewiesen zu sein, von großer Bedeutung. Wenn angewandte Mathematik, rechnerische Neurowissenschaften und Hardware-Design an einem Tisch zusammenkommen, könnte ein neues Werkzeug für "energieeffiziente Simulationen" entstehen. Auch Sandia stellt die Frage, ob es eine "neuromorphe Version" gibt, die mit fortgeschritteneren Methoden der angewandten Mathematik umgehen kann. Phys.org

Zusammenfassung der Reaktionen in sozialen Netzwerken (soweit öffentlich einsehbar)

※ Hier werden nur "Beiträge und Signale" berücksichtigt, die tatsächlich von außen überprüft werden konnten, um die Reaktionstendenzen zu ordnen (nicht überprüfte X-Posts werden nicht erfunden).

1. Forscher selbst betonen den "praktischen" Aspekt (LinkedIn)
   In Herrn Aimones LinkedIn-Post wird betont, dass NeuroFEM das "Hauptarbeitsmittel" für spärliche lineare Systeme mit energieeffizienter Neuromorphie behandeln kann, die Vergleichbarkeit als numerischer Solver bietet, dass Benutzer SNN nicht "erlernen müssen", um es zu verwenden, und dass die vom motorischen Kortex abgeleitete Sparsität, Lokalität und Asynchronität des Gehirns diskutiert werden. Es ist zu sehen, dass es Reaktionen (Likes) gibt. LinkedIn

2. "Sofortige Reaktion" auf Code-Veröffentlichung (GitHub)
   Ein Repository für NeuroFEM wurde im Namen von Sandia Labs veröffentlicht, und es ist zu sehen, dass es mindestens Sterne und Forks gibt. In der Forschungsgemeinschaft beeinflusst der "Einstiegspunkt zur Reproduzierbarkeit" oft das anfängliche Interesse, was hier ein positives Zeichen ist. GitHub

3. Auch in kuratierten Newslettern erwähnt (Medium)
   In einem AI-Newsletter-Artikel wird die in Nature Machine Intelligence veröffentlichte Studie aufgelistet, was bedeutet, dass auch Leser außerhalb des Fachgebiets darauf aufmerksam werden können. Medium

4. Indikatoren für "Menge der Diskussion": Altmetric und Anzahl der Shares
   Auf der Nature-Seite wird ein Altmetric-Score (z.B. 67) angezeigt, was darauf hinweist, dass der Artikel online eine gewisse Aufmerksamkeit erregt. Auch auf Phys.org wird die Anzahl der Shares angezeigt. Nature