长期以来，偏微分方程（PDEs）是模拟流体动力学、电磁场、结构力学等物理现象的核心数学工具，其求解往往依赖传统超级计算机的强大算力，也伴随较高的能耗。随着计算需求持续增长，传统方法在能效上的瓶颈愈发明显。针对此挑战，桑迪亚国家实验室研究团队选择从人脑的高效计算方式中寻找思路。人脑在处理运动控制等复杂任务时，能以极低能耗完成传统计算机可能需要“百亿亿次级”算力才能达成的计算。基于这一启发，团队提出“Neurofem”算法，将有限元方法（FEM）与神经形态芯片架构进行深度结合。有限元方法是工程领域常用的数值分析技术，通过把复杂结构离散为大量小单元并计算受力与响应，进而预测整体行为。传统FEM主要依赖矩阵运算；而Neurofem则将网格节点映射到神经形态芯片上，用神经元网络来模拟节点之间的相互作用力。该方法无需传统AI模型常见的大规模数据训练，同时显著降低计算能耗。实验数据显示，在配备32块英特尔Loihi 2芯片的测试平台上，Neurofem能耗约为传统计算机的五分之一，且与经典FEM软件相比误差很小。虽然目前运算速度仍不及传统方案，但其低能耗特点使其在能源受限或能耗敏感的场景中更具吸引力。不过，这项技术仍有适用范围上的限制。Neurofem当前主要适用于“稀疏矩阵”方程求解，即节点交互主要发生在相邻节点之间。随着英特尔Hala Point等新一代神经形态系统推出，以及初创企业推动规模化应用探索，该技术的适用范围有望更扩大。
从“能耗墙”到“效率账”，科学计算正在进入以能效与可持续为重要标尺的新阶段；Neurofem把类脑机制引入有限元求解，展示了在不同计算架构上实现严谨数学计算的可能性。面向未来，此路线能否走出实验室、进入更广泛的产业与科研场景，取决于多种技术路径的联合推进、应用场景的合理选择，以及工程化体系的持续完善。