L'IA est discrètement inquiétante : l'hypothèse selon laquelle "le cerveau calcule" s'impose dans l'ingénierie—Neuromorphique × Simulation physique

La croyance que "les ordinateurs inspirés du cerveau sont mauvais en mathématiques" est ébranlée

Les ordinateurs neuromorphiques sont des machines de calcul inspirées des circuits neuronaux du cerveau. Bien qu'ils puissent traiter des informations de manière parallèle et asynchrone avec une très faible consommation d'énergie, on a longtemps pensé qu'ils n'étaient pas adaptés aux "calculs numériques précis", en particulier aux équations aux dérivées partielles (EDP) qui sont au cœur des simulations physiques. Cependant, le 7 janvier 2026, un article basé sur une annonce du Sandia National Laboratories a été publié sur Phys.org, présentant une recherche qui remet en question cette hypothèse. Il s'avère que les ordinateurs inspirés du cerveau peuvent résoudre les EDP de manière étonnamment efficace. Phys.org

Le cœur de cette recherche est le mariage entre la "méthode des éléments finis (FEM)" et les "réseaux neuronaux à spikes (SNN)". La FEM est une méthode classique qui discrétise les EDP décrivant des phénomènes tels que les fluides, les champs électromagnétiques et la mécanique des structures, pour obtenir une solution approchée en résolvant un système d'équations linéaires simultanées, généralement très grand mais creux, $Ax=b$. Des prévisions météorologiques à la conception de matériaux, la science et la technologie modernes ne peuvent être discutées sans la FEM. News Releases

NeuroFEM : Traduire l'analyse numérique plutôt que l'apprendre

La recherche actuelle (publiée dans Nature Machine Intelligence, en accès libre) présente un algorithme appelé "NeuroFEM" qui mappe directement la structure de la matrice creuse de la FEM $A$ sur les connexions des SNN, convergeant vers une solution par les relations temporelles des spikes. L'idée clé est de ne pas "apprendre" aux réseaux neuronaux à résoudre le problème, mais de traduire les mathématiques déjà établies par la FEM dans une forme "native" pour les systèmes neuromorphiques. Nature

Selon le résumé de l'article, une précision significative a été démontrée avec l'équation de Poisson, une EDP fondamentale, ainsi qu'un "scaling proche de l'idéal" sur du matériel neuromorphique hautement parallèle. Le matériel utilisé est le chip neuromorphique de recherche d'Intel, Loihi 2. Il est également montré que l'approche peut être étendue à des maillages irréguliers 2D/3D et à d'autres EDP comme l'élasticité linéaire. Nature

Décomposer le mécanisme : chaque nœud du maillage devient un "petit groupe neuronal"

Dans NeuroFEM, un groupe de 8 à 16 neurones est assigné à chaque nœud du maillage FEM (ceci est un hyperparamètre). Les éléments non nuls de la matrice creuse $A$ sont reflétés comme des poids synaptiques entre les nœuds. Le terme de droite $b$ est donné comme un biais ajouté à chaque neurone, et en ajoutant un bruit d'entrée, un état de firing asynchrone et équilibré est créé. Comme les séquences de spikes ne sont pas directement des valeurs numériques, une lecture de type filtre passe-bas est utilisée pour reconstruire l'estimation de la solution à chaque nœud. Nature

Ce qui est intéressant, c'est la manière dont le problème de "biais stationnaire restant dans la solution lorsqu'on copie directement" est résolu en ajoutant une variable d'état qui intègre le résidu local à chaque neurone, éliminant ainsi l'erreur stationnaire en tant que contrôle PI (proportionnel + intégral) à spikes distribué. Cela permet de réduire l'erreur en utilisant uniquement des informations locales, sans avoir besoin d'une "tour de contrôle centrale". Nature

En outre, une fois le réseau construit, il est dit qu'il peut rapidement s'adapter à de nouveaux problèmes simplement en changeant le terme de droite (forces externes ou termes sources), sans nécessiter d'apprentissage supplémentaire. Cela suggère une utilisation continue pour résoudre des problèmes en temps réel, en s'adaptant aux entrées des capteurs sur le terrain, une direction qualifiée de "jumeau neuromorphique" dans l'article. Nature

Pourquoi le "modèle cérébral" est-il efficace pour les EDP : la question de l'efficacité énergétique et de l'échelle

Le communiqué de presse de Sandia souligne que, bien que les EDP soient essentielles pour modéliser des phénomènes du monde réel comme les prévisions météorologiques ou le comportement des matériaux, elles ont historiquement nécessité d'énormes ressources de calcul. Il est suggéré que les systèmes neuromorphiques, en traitant l'information comme le cerveau, pourraient résoudre ces problèmes similaires avec une consommation d'énergie réduite. News Releases

Les déclarations vont plus loin. M. Theilman affirme que bien que des systèmes de calcul démontrant un comportement intelligent aient émergé, "ils ne ressemblent en rien à un cerveau et les ressources nécessaires sont (franchement) absurdes". News Releases

M. Aimone exprime également l'intuition que le contrôle moteur, comme celui impliqué dans le coup d'une balle de tennis, est un "calcul extrêmement sophistiqué" que le cerveau exécute à un coût très faible. Phys.org

Le point de discussion ici est que les calculs comme ceux des solveurs d'EDP sont bien adaptés à des "calculs massifs et locaux", à une "communication creuse" et à un "parallélisme asynchrone". En fait, le texte de l'article souligne que les contraintes de parcimonie, de distribution et d'asynchronisme du cerveau "s'alignent étrangement bien" avec les contraintes rencontrées dans le calcul numérique haute performance moderne, et que les connexions lâches dérivées de la FEM peuvent tirer parti des avantages neuromorphiques. Nature

Cependant, ce n'est pas une panacée : les "prochaines tâches" en termes de précision, d'implémentation et d'évaluation

D'un autre côté, il n'est pas encore garanti que cela "remplacera complètement les supercalculateurs traditionnels". L'article suggère que la valeur absolue du résidu peut varier selon les paramètres choisis, parfois inférieure aux solveurs classiques (par exemple, spsolve de SciPy), et que le choix des paramètres peut influencer les performances observées, encourageant une enquête plus approfondie sur les propriétés numériques. Nature

Néanmoins, le fait d'avoir transféré les "mathématiques de confiance" de la FEM sans s'appuyer sur l'apprentissage en boîte noire est significatif. En réunissant les mathématiques appliquées, les neurosciences computationnelles et la conception matérielle, il est possible de créer un nouvel outil pour des simulations "économes en énergie". Sandia se demande également s'il existe une "version neuromorphique" pour des méthodes mathématiques appliquées plus avancées. Phys.org

Résumé des réactions sur les réseaux sociaux (dans la mesure où elles sont accessibles publiquement)

※ Ici, nous organisons les tendances des réactions en nous basant uniquement sur les "posts et signaux" réellement vérifiables de l'extérieur (nous n'inventons pas de posts X non vérifiés).

1. Les chercheurs eux-mêmes soulignent le côté "pratique" (LinkedIn)
   Dans un post LinkedIn de M. Aimone, il est mentionné que NeuroFEM permet de traiter les "principaux chevaux de bataille" des systèmes linéaires creux avec des systèmes neuromorphiques à faible consommation d'énergie, la comparabilité en tant que solveur numérique, la conception qui permet aux utilisateurs d'utiliser les SNN "sans avoir à les maîtriser", et la parcimonie, la localité et l'asynchronisme inspirés du modèle moteur cérébral, avec des réactions (Like) confirmées. LinkedIn

2. Réponse rapide à la publication du code (GitHub)
   Un dépôt de NeuroFEM a été publié sous le nom de Sandia Labs, avec au moins des étoiles et des forks confirmés. Dans la communauté de recherche, la "disponibilité d'une entrée pour la reproductibilité" peut influencer la perception initiale, ce qui est un bon signe ici. GitHub

3. Également repris par des newsletters de curation (Medium)
   Dans un article sous forme de newsletter AI, la recherche est listée comme un article publié dans Nature Machine Intelligence, créant un "chemin pour être remarqué" même par des lecteurs non spécialisés. Medium

4. Indicateurs de "volume de discussion" : Altmetric et nombre de partages
   La page de Nature affiche un score Altmetric (par exemple, 67), indiquant une certaine attention en ligne. Le nombre de partages est également affiché sur Phys.org. Nature

Propulsé par Froala Editor