.png){kind=icon}
返回
Solving sparse finite element problems on neuromorphic hardware
.png){kind=icon}
OA
AI
DOI：10.1038/s42256-025-01143-2.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
有限元方法（FEM）是用于在计算机上求解科学与工程发现中的偏微分方程（PDEs）的最重要且应用最广泛的数值方法之一。将FEM应用于更大、更详细的科学模型已推动高性能计算数十年的发展。在此，我们演示可扩展的脉冲神经形态硬件可以通过构建一个解决FEM核心的大规模、稀疏、线性方程组的脉冲神经网络直接实现FEM。我们证明，对于科学与工程中的基本PDE——泊松方程，我们的神经电路在现代固有并行且能效高的神经形态硬件上，即Intel的Loihi 2神经形态平台上，实现了有意义的数值精度水平和接近理想的扩展性。我们阐述了在二维和三维中对不规则网格几何形状的扩展以及其他PDE（如线性弹性）的应用。我们的脉冲神经网络由大脑运动皮层的一种循环网络模型构建而成，与基于PDE的“黑箱”深度人工神经网络方法不同，它将FEM中已被充分理解和信任的数学方法直接转化为原生的脉冲神经形态算法。Theilman和Aimone介绍了一种原生脉冲算法，用于在大规模神经形态计算机上求解偏微分方程，并在Intel的Loihi 2神经形态研究芯片上验证了该算法。
Keyword:
Finite Element Method
Neuromorphic Hardware
Spiking Neural Networks
Partial Differential Equations
Sparse Linear Systems
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
Preparing sparse solvers for exascale computing.png)
PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY A-MATHEMATICAL PHYSICAL AND ENGINEERING SCIENCESOAAI
PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY A-MATHEMATICAL PHYSICAL AND ENGINEERING SCIENCESIF3.7
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Mosaic: in-memory computing and routing for small-world spike-based neuromorphic systemsNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Neuromorphic scaling advantages for energy-efficient random walk computationsNATURE ELECTRONICS
OAAI
NATURE ELECTRONICSIF40.9
OAAI分享收藏Gmsh: A 3‐D finite element mesh generator with built‐in pre‐ and post‐processing facilitiesGmsh: 具有内置预处理和后处理设施的三维有限元网格生成器OAAI
OAAI分享收藏
查看更多内容