Onderzoek naar alternatieve computerarchitecturen krijgt nieuwe impuls door werk van Sandia National Laboratories. Wetenschappers laten zien dat neuromorfe computers, ontworpen naar het voorbeeld van het menselijk brein, niet alleen bruikbaar zijn voor AI, maar ook voor zware rekenproblemen die normaal op supercomputers draaien.
Dit meldt The Register. Neuromorfisch rekenen wijkt fundamenteel af van de klassieke von Neumann-architectuur. In plaats van een strikte scheiding tussen geheugen en verwerking zijn deze functies sterk verweven. Dat beperkt datatransport, een belangrijke bron van energieverbruik in moderne computers. Het menselijk brein illustreert hoe efficiënt zo’n aanpak kan zijn.
Tot nu toe werden neuromorfe chips vooral ingezet voor neurale netwerken en machine learning. Het nieuwe onderzoek verlegt de focus naar numerieke simulaties, een kerngebied binnen high performance computing. Hiervoor ontwikkelden de onderzoekers software die bestaande wiskundige methoden geschikt maakt voor neuromorfe hardware.
Centraal staat een algoritme dat de eindige-elementenmethode toepast op spiking neuromorfe systemen. Deze methode wordt breed gebruikt in technische simulaties, zoals vloeistofdynamica, materiaalonderzoek en elektromagnetische modellen. Door deze aanpak te vertalen naar neuromorfe chips ontstaat een alternatief rekenplatform voor simulaties.
De experimenten zijn uitgevoerd op systemen met Loihi 2-neurochips van Intel. Deze chips zijn ontworpen voor massaal parallelle verwerking met een laag energieverbruik. Volgens metingen van Sandia leveren de systemen een hogere efficiëntie per watt dan moderne GPU-architecturen van leveranciers zoals Nvidia.
Een belangrijk resultaat is dat de prestaties goed meegroeien met het aantal cores. Bij uitbreiding van het aantal rekenkernen neemt de rekentijd vrijwel lineair af. Dat wijst erop dat dit type hardware geschikt kan zijn voor grootschalige parallelle berekeningen, mits de software hierop is afgestemd.
HPC-software niet bruikbaar
Programmeerbaarheid blijft een belangrijk knelpunt bij neuromorfe systemen. Traditionele HPC-software is niet direct bruikbaar en vereist vaak nieuwe algoritmen. Volgens de onderzoekers verlaagt hun benadering deze drempel, doordat bestaande numerieke modellen met beperkte aanpassingen kunnen worden ingezet.
De huidige resultaten zijn vooral bedoeld als technische demonstratie, niet als directe vervanging van bestaande supercomputers. Toch zien de onderzoekers perspectief voor verdere ontwikkeling, vooral bij een verschuiving van digitale naar analoge neuromorfe systemen, wat de efficiëntie verder kan verhogen.
Tegelijkertijd blijft het speelveld in beweging. Naast neuromorfisch rekenen wordt ook gekeken naar machine learning als versneller voor klassieke simulaties. Of neuromorfe hardware uiteindelijk een dominante rol krijgt naast of in plaats van GPU’s is nog onzeker, maar het onderzoek laat zien dat de toekomst van high performance computing waarschijnlijk uit meerdere gespecialiseerde architecturen zal bestaan.
Voor IT- en infrastructuurprofessionals benadrukt dit dat energie-efficiëntie en architectuurkeuze steeds belangrijker worden. Neuromorfe computers bewegen zich daarmee van experimentele technologie richting een serieus platform voor specifieke HPC- en datacenterworkloads.