Et si le prochain bond en calcul scientifique ne venait pas d'un GPU plus gros, mais d'une puce qui imite le cerveau humain ? C'est la promesse d'une étude publiée dans Nature Machine Intelligence par les chercheurs Brad Theilman et Brad Aimone des Sandia National Laboratories.
NeuroFEM : la méthode des éléments finis sur silicium neuronal
L'algorithme s'appelle NeuroFEM. Il implémente la méthode des éléments finis (FEM) — le standard industriel pour résoudre des équations différentielles partielles (PDEs) — directement sur du hardware neuromorphique à spikes. Ces PDEs sont le socle mathématique de la dynamique des fluides, des champs électromagnétiques et de la mécanique structurelle.
La percée : les chercheurs ont découvert un lien naturel entre les modèles de neurosciences computationnelles et les PDEs. Comme l'explique Theilman, « le modèle a un lien naturel mais non évident avec les PDEs, et ce lien n'avait jamais été établi jusqu'ici ».
2,5× plus efficace que les GPU Nvidia
Les résultats sur les puces Intel Loihi 2 (système Oheo Gulch, 32 neurochips) sont spectaculaires : 15 TOPS par watt, soit 2,5 fois plus efficace que les GPU Nvidia Blackwell. Le système SpiNNaker2, une autre architecture neuromorphique, revendique même 18× plus d'efficacité par watt que les GPU modernes.
La scalabilité est quasi idéale : doubler le nombre de cœurs divise le temps de calcul par deux. L'algorithme est parallélisable à 99 %, contournant les limites classiques de la loi d'Amdahl.
Du labo aux simulations nucléaires
La recherche est financée par le Department of Energy américain et la NNSA (National Nuclear Security Administration). L'enjeu : les simulations nucléaires requièrent une puissance de calcul colossale et une consommation énergétique prohibitive. Un supercalculateur neuromorphique pourrait fournir une puissance équivalente pour une fraction du coût énergétique.
Sandia dispose déjà du système Hala Point — 1 152 puces Loihi 2, soit 1,15 milliard de neurones et 128 milliards de synapses. En Chine, le projet Darwin Monkey (Wukong) atteint 2 milliards de neurones pour seulement 2 000 watts.
Au-delà du calcul : comprendre le cerveau
Bonus inattendu : ce travail pourrait aussi éclairer le fonctionnement du cerveau biologique. Brad Aimone souligne que les tâches motrices complexes — frapper une balle de tennis, par exemple — sont des « problèmes de niveau exascale que notre cerveau résout à très faible coût ». Comprendre comment les réseaux de neurones artificiels résolvent des PDEs pourrait ouvrir des pistes sur les maladies neurodégénératives comme Alzheimer et Parkinson.
Le calcul neuromorphique n'est plus cantonné aux tâches approximatives de reconnaissance de formes. Il entre dans le territoire de la physique computationnelle — et pourrait redéfinir l'avenir du calcul haute performance.