AI ที่น่ากลัวอย่างเงียบๆ: สมมติฐานที่ว่า "สมองกำลังคำนวณ" กำลังมีผลกระทบต่อวิศวกรรม—นิวโรมอร์ฟิก × การจำลองทางฟิสิกส์

"ความเชื่อที่ว่าคอมพิวเตอร์แบบสมองไม่เก่งคณิตศาสตร์" กำลังสั่นคลอน

คอมพิวเตอร์นิวโรมอร์ฟิก (neuromorphic) เป็นเครื่องคำนวณที่ได้รับแรงบันดาลใจจากวงจรประสาทของสมอง มันสามารถประมวลผลข้อมูลแบบขนานและไม่ซิงโครไนซ์ด้วยการใช้พลังงานต่ำมาก ในขณะที่ "การคำนวณเชิงตัวเลขที่เข้มงวด" โดยเฉพาะอย่างยิ่งสมการเชิงอนุพันธ์ย่อย (PDE) ซึ่งเป็นแกนหลักของการจำลองทางฟิสิกส์ ถูกมองว่าไม่เหมาะสม อย่างไรก็ตาม ในวันที่ 7 มกราคม 2026 บทความที่อิงจากการประกาศของ Sandia National Laboratories ได้รับการเผยแพร่ใน Phys.org ซึ่งนำเสนอการวิจัยที่เปิดช่องว่างในสมมติฐานนี้ โดยระบุว่าคอมพิวเตอร์แบบสมองสามารถแก้ PDE ได้อย่างน่าประหลาดใจ Phys.org

หัวใจของการวิจัยคือการรวมกันของ "วิธีองค์ประกอบจำกัด (FEM)" และ "เครือข่ายประสาทแบบสไปค์ (SNN)" FEM เป็นวิธีการที่ใช้ในการแยก PDE ที่อธิบายของไหล สนามแม่เหล็กไฟฟ้า และกลศาสตร์โครงสร้าง เพื่อให้ได้คำตอบประมาณโดยการแก้ระบบสมการเชิงเส้นขนาดใหญ่ (แต่เบาบาง) $Ax=b$ เป็นวิธีการที่ "คลาสสิก" ที่ขาดไม่ได้ในวิทยาศาสตร์และเทคโนโลยีสมัยใหม่ ตั้งแต่การพยากรณ์อากาศไปจนถึงการออกแบบวัสดุ News Releases

NeuroFEM: การวิเคราะห์เชิงตัวเลขที่ "แปลตรง" ไม่ใช่ "เรียนรู้"

การวิจัยครั้งนี้ (เผยแพร่ใน Nature Machine Intelligence, เข้าถึงได้ฟรี) แสดงให้เห็นอัลกอริทึม "NeuroFEM" ที่แปลงโครงสร้างของเมทริกซ์เบาบางของ FEM $A$ ไปยังการเชื่อมต่อของ SNN โดยตรง และใช้ความสัมพันธ์ของเวลาในการสไปค์ (การยิง) เพื่อให้ได้คำตอบที่สอดคล้องกัน จุดสำคัญคือไม่ใช่การ "ให้เครือข่ายประสาทเรียนรู้และแก้ปัญหา" แต่เป็นการแปลคณิตศาสตร์ที่ได้รับการยอมรับใน FEM ไปสู่รูปแบบที่ "เนทีฟ" สำหรับนิวโรมอร์ฟิก Nature

ตามบทสรุปของบทความ การทดลองได้แสดงให้เห็นความแม่นยำที่มีความหมายในสมการ Poisson ซึ่งเป็น PDE พื้นฐาน และการ "สเกลที่ใกล้เคียงกับอุดมคติ" บนฮาร์ดแวร์นิวโรมอร์ฟิกที่มีการประมวลผลแบบขนานสูง เครื่องจริงที่ใช้คือชิปนิวโรมอร์ฟิกเพื่อการวิจัยของ Intel Loihi 2 นอกจากนี้ยังแสดงให้เห็นว่าสามารถขยายไปยังเมชที่ไม่สม่ำเสมอใน 2D/3D และ PDE อื่น ๆ เช่น ความยืดหยุ่นเชิงเส้น Nature

การอธิบายกลไกเพิ่มเติม: แต่ละโหนดของเมชกลายเป็น "กลุ่มประสาทขนาดเล็ก"

ใน NeuroFEM จะมีการกำหนดกลุ่มประสาทประมาณ 8-16 ตัวให้กับแต่ละโหนดของเมช FEM (ซึ่งเป็นไฮเปอร์พารามิเตอร์) องค์ประกอบที่ไม่เป็นศูนย์ของเมทริกซ์เบาบาง $A$ จะสะท้อนเป็นน้ำหนักซินแนปส์ระหว่างโหนด ด้านขวา $b$ จะถูกใช้เป็นอคติที่เพิ่มให้กับแต่ละประสาท และการเพิ่มอินพุตเสียงรบกวนจะสร้างสถานะการยิงที่สมดุลแบบไม่ซิงโครไนซ์ ลำดับสไปค์ไม่ใช่ตัวเลขโดยตรง ดังนั้นจะมีการอ่านค่า (readout) แบบฟิลเตอร์ความถี่ต่ำเพื่อสร้างค่าประมาณของคำตอบของแต่ละโหนดใหม่ Nature

สิ่งที่น่าสนใจคือการแก้ปัญหาที่ "เมื่อแปลงตรง ๆ จะมีอคติคงที่เหลืออยู่" โดยการเพิ่มตัวแปรสถานะที่รวมผลต่างที่เหลือในแต่ละประสาท ทำให้เป็นการควบคุมแบบ สไปค์ PI (สัดส่วน + อินทิกรัล) แบบกระจายเพื่อกำจัดข้อผิดพลาดคงที่ ด้วยวิธีนี้ ข้อผิดพลาดจะถูกแก้ไขโดยใช้ข้อมูลท้องถิ่นเท่านั้น โดยไม่ต้องมี "ศูนย์ควบคุมกลาง" Nature

นอกจากนี้ เมื่อสร้างเครือข่ายแล้ว สามารถเปลี่ยนด้านขวา (แรงภายนอกหรือแหล่งที่มา) เพื่อปรับตามปัญหาใหม่ได้อย่างรวดเร็วโดยไม่ต้องเรียนรู้เพิ่มเติม ซึ่งเป็นการบ่งชี้ถึงการใช้งานที่ "แก้ปัญหาอย่างต่อเนื่อง" ตามข้อมูลเซ็นเซอร์ในสถานที่จริง ในบทความเรียกทิศทางนี้ว่า "นิวโรมอร์ฟิกทวิน" Nature

ทำไม "แบบสมอง" ถึงมีประสิทธิภาพกับ PDE: ประเด็นเรื่องการประหยัดพลังงานและการสเกล

ข่าวประชาสัมพันธ์ของ Sandia ชี้ให้เห็นว่า PDE เป็นสิ่งที่ขาดไม่ได้ในการสร้างแบบจำลองโลกจริง เช่น การพยากรณ์อากาศและพฤติกรรมของวัสดุ แต่เดิมต้องใช้ทรัพยากรการคำนวณจำนวนมาก ในขณะที่นิวโรมอร์ฟิกซึ่งประมวลผลข้อมูลเหมือนสมอง อาจสามารถจัดการปัญหาประเภทเดียวกันได้ด้วยการใช้พลังงานที่น้อยลง News Releases

คำพูดที่ลึกซึ้งยิ่งขึ้น Theilman กล่าวว่า ระบบคำนวณที่แสดงพฤติกรรมที่ดูเหมือนมีสติปัญญาได้ปรากฏขึ้น แต่ "ไม่เหมือนสมองเลย และทรัพยากรที่ต้องใช้ (พูดตรง ๆ) นั้นบ้าบอ" News Releases

Aimone ยังแสดงความเห็นว่า การควบคุมการเคลื่อนไหวเช่นการตีลูกเทนนิสเป็น "การคำนวณที่ซับซ้อนมาก" และสมองสามารถทำได้ด้วยต้นทุนที่ต่ำมาก Phys.org

ประเด็นที่ถูกหยิบยกคือ การคำนวณแบบตัวแก้ PDE ที่มี "การคำนวณท้องถิ่นจำนวนมาก" "การสื่อสารที่เบาบาง" และ "การประมวลผลแบบขนานไม่ซิงโครไนซ์" นั้นเหมาะสม ในความเป็นจริง บทความระบุว่า ข้อจำกัดที่สมองมี เช่น ความเบาบาง การกระจาย และการไม่ซิงโครไนซ์นั้น "สอดคล้องอย่างแปลกประหลาด" กับข้อจำกัดที่การคำนวณเชิงตัวเลขที่มีประสิทธิภาพสูงในปัจจุบันต้องเผชิญ และการเชื่อมต่อที่เบาบางที่มาจาก FEM สามารถดึงประโยชน์ของนิวโรมอร์ฟิกออกมาได้ Nature

แต่ไม่ใช่คำตอบที่สมบูรณ์แบบ: ความแม่นยำ การใช้งาน และการประเมินคือ "การบ้านถัดไป"

ในขณะเดียวกัน ยังไม่มีการรับประกันว่า "การแทนที่ซูเปอร์คอมพิวเตอร์แบบเดิมอย่างสมบูรณ์" จะเกิดขึ้นในขณะนี้ ในบทความยังระบุว่า ค่าของผลต่างที่เหลืออาจเปลี่ยนแปลงได้ตามการตั้งค่า และอาจด้อยกว่าตัวแก้แบบคลาสสิก (เช่น spsolve ของ SciPy) และการเลือกพารามิเตอร์อาจส่งผลต่อการสังเกตประสิทธิภาพ ซึ่งกระตุ้นให้มีการสำรวจคุณสมบัติเชิงตัวเลขเพิ่มเติม Nature

อย่างไรก็ตาม การที่ FEM ซึ่งเป็น "คณิตศาสตร์ที่เชื่อถือได้" ถูกนำมาใช้โดยไม่ต้องพึ่งพาการเรียนรู้แบบกล่องดำถือเป็นจุดที่หนักแน่น การที่คณิตศาสตร์ประยุกต์ วิทยาศาสตร์ประสาทการคำนวณ และการออกแบบฮาร์ดแวร์มารวมกันบนโต๊ะเดียวกัน อาจเปิดโอกาสให้เกิดเครื่องมือใหม่ที่ "การจำลองที่ใช้พลังงานต่ำ" Sandia ยังตั้งคำถามต่อไปว่า จะมี "เวอร์ชันนิวโรมอร์ฟิก" ที่รองรับวิธีการคณิตศาสตร์ประยุกต์ที่ซับซ้อนกว่านี้หรือไม่ Phys.org

สรุปปฏิกิริยาจาก SNS (ที่สามารถตรวจสอบได้)

※ที่นี่เราจะใช้เฉพาะ "โพสต์และสัญญาณ" ที่สามารถตรวจสอบได้จากภายนอกเป็นวัสดุในการจัดระเบียบแนวโน้มของปฏิกิริยา (จะไม่สร้างโพสต์ X ที่ไม่สามารถตรวจสอบได้)

1. นักวิจัยเน้นย้ำจุดที่ "ใกล้เคียงกับการใช้งานจริง" (LinkedIn)
   ในโพสต์ LinkedIn ของ Aimone ได้กล่าวถึงว่า NeuroFEM สามารถจัดการกับ "แรงงานหลัก" ของระบบเชิงเส้นที่เบาบางด้วยนิวโรมอร์ฟิกที่ใช้พลังงานต่ำ ความสามารถในการเปรียบเทียบในฐานะตัวแก้เชิงตัวเลข การออกแบบที่ผู้ใช้สามารถใช้งาน SNN ได้โดยไม่ต้อง "เรียนรู้" และความเบาบาง ท้องถิ่น และการไม่ซิงโครไนซ์ที่มาจากแบบจำลองการเคลื่อนไหวของสมอง และมีการตอบสนอง (Like) ที่สามารถตรวจสอบได้ LinkedIn

2. การตอบสนอง "ทันที" ต่อการเผยแพร่โค้ด (GitHub)
   รีโพซิทอรี NeuroFEM ได้รับการเผยแพร่ในนามของ Sandia Labs และสามารถตรวจสอบได้ว่ามีการให้ดาวหรือฟอร์ก ในชุมชนวิจัย "การมีทางเข้าสู่การทำซ้ำได้หรือไม่" มักจะมีผลต่อความรู้สึกเริ่มต้น และนี่เป็นสิ่งที่ดี ##HTML_TAG