Des puces inspirées du cerveau humain viennent de résoudre des équations que seuls les supercalculateurs savaient traiter. En consommant une fraction de leur énergie.

Les équations aux dérivées partielles sont au coeur de la simulation du monde physique. Prévisions météo, comportement des matériaux sous contrainte, dynamique des fluides, modélisation des réacteurs nucléaires : toutes ces disciplines reposent sur des EDP. Les résoudre demande traditionnellement des supercalculateurs qui remplissent des salles entières et consomment des mégawatts d’électricité en continu.

Des chercheurs du Sandia National Laboratories, Brad Theilman et Brad Aimone, viennent de montrer que du matériel neuromorphique peut s’en charger avec une efficacité radicalement différente. Leurs résultats sont publiés dans Nature Machine Intelligence.

Une architecture différente

Les ordinateurs neuromorphiques sont construits sur un principe différent des processeurs classiques. Plutôt que de traiter l’information de façon séquentielle via des transistors en silicium, ils émulent l’architecture du cortex cérébral : des circuits massivement parallèles, événementiels, où l’information circule par “spikes”, des impulsions analogues aux signaux électriques des neurones biologiques. Cette architecture est extrêmement économe en énergie, mais on pensait jusqu’ici qu’elle n’était pas adaptée aux calculs mathématiques lourds. Les EDP, en particulier, semblaient hors de portée.

L’algorithme développé par Theilman et Aimone contourne cette limitation en traduisant les mathématiques des EDP dans le langage des réseaux de neurones à spikes. Ils l’ont testé sur le Loihi 2 d’Intel, une puce neuromorphique de référence.

Le résultat le plus frappant

En doublant le nombre de cores neuromorphiques utilisés, le temps de calcul est presque divisé par deux. Dans le calcul classique, multiplier les processeurs génère des goulots d’étranglement liés aux échanges de données entre unités, et les gains deviennent vite décroissants. Ici, la parallélisation reste proche de l’idéal théorique, ce qui ouvre la porte à des systèmes neuromorphiques de grande échelle sans les coûts habituels d’infrastructure.

Pourquoi Sandia s’y intéresse

Le financement de ces travaux vient du Department of Energy et de la National Nuclear Security Administration, l’agence responsable du maintien de la dissuasion nucléaire américaine. Le lien est direct : la NNSA s’appuie sur des simulations physiques massives pour maintenir l’arsenal sans procéder à des tests réels. Ces simulations tournent sur des supercalculateurs dont la consommation électrique représente un poste de coût considérable. Un chemin vers des simulations équivalentes sur du matériel neuromorphique à faible consommation est donc une priorité pratique, pas seulement académique.

Au-delà du nucléaire, les applications potentielles couvrent la modélisation climatique, la science des matériaux et l’ingénierie structurelle, tous des domaines où la taille des simulations possibles est aujourd’hui bornée par le budget énergétique disponible.

Un angle inattendu sur le cerveau

Aimone soulève une implication que les chercheurs n’avaient pas anticipée en lançant le projet. Si des circuits inspirés du cerveau peuvent résoudre efficacement des équations que les cerveaux biologiques n’ont pas été sélectionnés pour résoudre, ça pose une question inverse : est-ce que le cerveau lui-même utilise des mécanismes analogues pour des calculs que nous ne comprenons pas encore ?

Aimone formule une hypothèse plus directe : des maladies comme Alzheimer ou Parkinson pourraient être, en partie, des maladies du calcul, des défaillances dans des processus computationnels que le cerveau effectue et qu’on n’a pas encore su identifier comme tels. Les systèmes neuromorphiques, en rendant ces mécanismes observables et manipulables, pourraient devenir des outils pour cette question aussi.

Ce n’est pas encore un supercalculateur neuromorphique opérationnel. Sandia parle d’une démonstration de faisabilité sur un problème ciblé, et l’écosystème logiciel pour programmer ce type de matériel doit encore mûrir. Mais c’est la première fois qu’on démontre, sur du matériel réel, que la promesse d’efficacité des architectures neuromorphiques s’étend au-delà des tâches de reconnaissance de patterns pour atteindre les mathématiques de la simulation physique.

Source : Brad Theilman, Brad Aimone, Sandia National Laboratories, “Solving partial differential equations with neuromorphic hardware”, Nature Machine Intelligence, février 2026.