یک استارتاپ آلمانی موفق شده ابرکامپیوتری بسازد که معماری آن مستقیماً از مغز انسان الهام گرفته شده است. این ماشین غول‌پیکر که مجهز به بیش از ۶۵۰ هزار هسته پردازشی است، با مصرف انرژی بسیار کمتر از ابرکامپیوترهای معمول، قادر است روند کشف دارو را به شدت تسریع کند.

به گزارش EE Times، شرکت SpiNNcloud که در حوزه سخت‌افزارهای نورومورفیک (شبه‌مغز) فعال است، از فروش یک ابرکامپیوتر پیشرفته به دانشگاه لایپزیگ آلمان جهت به کارگیری در تحقیقات پزشکی خبر داد. این سیستم که بر پایه نسل دوم سخت‌افزار SpiNNaker (پروژه‌ای که توسط «استیو فربر»، از طراحان اصلی معماری ARM، آغاز شده) توسعه یافته، بزرگ‌ترین نمونه از نوع خود در جهان محسوب می‌شود و به طور اختصاصی برای کاربردهای پزشکی تدارک دیده شده است.

🔗 بیشتر بخوانید: بزرگ‌ترین ابرکامپیوتر شبه‌مغز جهان با ۶۵۰ هزار هسته به کشف دارو می‌پردازد_جزر ومد

معماری الهام‌گرفته از مغز: تفاوت با ابرکامپیوترهای سنتی

برخلاف ابرکامپیوترهای رایج که بر پایه پردازشگرهای گرافیکی (GPU) استوارند و برای انجام محاسبات کلیه واحدهای خود را به صورت همزمان فعال می‌کنند، معماری SpiNNcloud الگوی عملکرد مغز را تقلید کرده است. این سیستم با بهره‌گیری از مکانیزم «پراکندگی دینامیک» (Dynamic Sparsity)، به جای درگیر کردن همزمان تمام ۶۵۶ هزار و ۶۴۰ هسته پردازشی، تنها بخش‌های سخت‌افزاری را که برای یک وظیفه خاص ضروری هستند، فعال می‌سازد.

این رویکرد نوین دو مزیت استراتیژیک فراهم می‌آورد:

🔗 بیشتر بخوانید: بزرگ‌ترین ابرکامپیوتر شبه‌مغز جهان با ۶۵۰ هزار هسته به کشف دارو می‌پردازد_جزر ومد

1. کارایی انرژی بی‌نظیر: این سیستم ۱۸ برابر کارآمدتر از پردازشگرهای گرافیکی کنونی عمل می‌کند. کل سامانه ۴۳۲۰ تراشه‌ای دانشگاه لایپزیگ در دو رک جا گرفته و تنها ۲۵ کیلووات برق مصرف می‌کند.
2. سازگاری با مدل‌های هوش مصنوعی نسل جدید: این معماری برای معماری‌های نوظهور هوش مصنوعی همچون «ترکیب متخصصان» (Mixture of Experts – MoE) که از هزاران زیر‌مدل کوچک و تخصصی متکثرند، کاملاً ایده‌آل است؛ اجرا مدل‌های MoE روی GPUها بسیار دشوار و ناکارآمد است.

هدف اصلی استقرار این ابرکامپیوتر در دانشگاه لایپزیگ، شتاب بخشیدن به فرایندهای پزشکی شخصی‌سازی‌شده و کشف داروهای مولکولی کوچک است. این فرایندها نیازمند اجرای همزمان میلیون‌ها مدل کوچک برای یافتن تطابق میان مولکول‌های دارویی و پروفایل‌های ژنتیکی بیماران هستند؛ وظیفه‌ای که دقیقاً با طبیعت موازی و پراکنده معماری SpiNNcloud هم‌سو است.

«کریستین مایر»، هم‌بنیان‌گذار SpiNNcloud، بیان می‌دارد: «یک نمونه اولیه از شبکه عصبی ما قادر است ۲۰ میلیارد مولکول را در کمتر از یک ساعت غربالگری کند؛ سرعتی که صد برابر بیشتر از یک خوشه با ۱۰۰۰ هسته CPU است.»

«هکتور گونزالس»، مدیرعامل SpiNNcloud، معتقد است معماری‌های الهام‌گرفته از مغز مسیر را برای طیف جدیدی از مدل‌های هوش مصنوعی که اجرا بر روی سخت‌افزارهای متداول ممکن نیست، هموار می‌کنند. شرکت SpiNNcloud که در حال حاضر قراردادهای ده‌ها میلیونی یورویی با مؤسسات تحقیقاتی و مراکز محاسباتی اروپا و آمریکا دارد، در حال تبدیل شدن به یکی از بازیگران کلیدی در نسل آینده ابرکامپیوترهای هوش مصنوعی است.

این پیشرفت تکنولوژیک نشان‌دهنده تغییر پارادایم در محاسبات yüksek کارایی است. در حالی که ابرکامپیوترهای سنتی با افزایش تعداد هسته‌ها و فرکانس ساعت برای کسب قدرت بیشتر، مصرف انرژی و تولید حرارت را به چالش می‌کشند، معماری نورومورفیک با تقلید از کارایی بیولوژیک مغز، راهکاری بنیادی برای مقیاس‌پذیری پایدار ارائه می‌دهد.

چالش‌های مقیاس‌پذیری در محاسبات سنتی و راهکار نورومورفیک

قانون مور که سال‌ها موتور پیشرفت محاسباتی بوده، اکنون با موانع فیزیکی جدی روبرو است. تراشه‌های سیلیسونی به ابعاد اتمی نزدیک شده‌اند و کاهش بیشتر ابعاد ترانزیستورها با چالش‌های اثرهای کوانتومی و مدیریت حرارت مواجه است. در این بستر، افزایش عملکرد تنها از طریق افزودن هسته‌های بیشتر در معماری‌های فون‌نوایمن، منجر به «دیوار حافظه» و اتلاف انرژی در جابجایی داده‌ها می‌شود.

معماری SpiNNaker2 این مشکل را با حذف جدایی حافظه و پردازش (که در معماری فون‌نوایمن وجود دارد) و به کارگیری مدل محاسبه رویدادمحور (Event-driven) حل می‌کند. در این مدل، پردازش تنها زمانی رخ می‌دهد که یک رویداد (اسپایک) رخ دهد، مشابه نحوه عملکرد نورون‌های بیولوژیک که تنها در پاسخ به تحریک فعال می‌شوند. این ویژگی باعث می‌شود انرژی به تناسب محاسبه واقعی مصرف شود، نه به تناسب ظرفیت تئوریک سخت‌افزار.

جزئیات فنی تراشه SpiNNaker2

هر تراشه SpiNNaker2 شامل ۱۵۲ هسته پردازش ARM Cortex-M4F است که به همراه واحدهای تسریع سخت‌افزاری برای محاسبات شبکه‌های عصبی، قابلیت اجرای مدل‌های پیچیده را فراهم می‌کنند. این تراشه‌ها از طریق یک شبکه ارتباطی روی تراشه (Network-on-Chip) و لینک‌های سریال سریع، با تاخیر بسیار پایین و پهنای باند بالا با هم ارتباط برقرار می‌کنند. این توپولوژی ارتباطی، مقیاس‌پذیری خطی را تا میلیون‌ها هسته امکان‌پذیر می‌سازد، برخلاف معماری‌های باس‌محور که در مقیاس بزرگ دچار ناکارآمدی می‌شوند.

تأثیر بر کشف دارو و پزشکی دقیق

کاربرد این ابرکامپیوتر در کشف دارو فراتر از غربالگری مولکولی است. شبیه‌سازی دینامیک مولکولی، پیش‌بینی هم‌ریختی پروتئین‌ها، و مدل‌سازی سیستم‌های بیولوژیک پیچیده از جمله وظایفی هستند که از موازی‌سازی پراکنده و رویدادمحور بهره می‌برند. در پزشکی دقیق، امکان تحلیل داده‌های چندمرکبی (Multi-omics) شامل ژنومیک، پروتئومیک و متابولومیک برای طراحی درمان‌های مخصوص بیمار، نیازمند محاسبه‌ای است که هم مقیاس‌پذیر باشد و هم بتواند با داده‌های پراکنده و ناقص مدیریت شود. معماری SpiNNcloud به طور ذاتی برای این نوع داده‌ها و محاسبات بهینه است.

مقایسه با ابرکامپیوترهای GPU-محور

ابرکامپیوترهای مدرن مبتنی بر GPU مانند Frontier یا Aurora، عملکرد فلوپ (FLOPS) بسیار بالایی در محاسبات متراکم و ماتریسی ارائه می‌دهند، اما در بارهای کار پراکنده، ناهمگن، و رویدادمحور، کارایی انرژی و استفاده از سخت‌افزار به شدت کاهش می‌یابد. مصرف انرژی این ماشین‌ها در رده مگاوات‌ها است، در حالی که سیستم SpiNNcloud لایپزیگ با ۲۵ کیلووات، بخشی از این انرژی را مصرف می‌کند. برای کاربردهای خاصی مانند شبکه‌های عصبی پراکنده (SNN)، یادگیری تقویتی، و مدل‌های MoE، کارایی انرژی SpiNNcloud می‌تواند تا رده‌های مرتبه‌ها بالاتر باشد.

آینده محاسبات نورومورفیک در اروپا و جهان

پروژه SpiNNcloud بخشی از استراتژی وسیع‌تر اروپا برای سیادت دیجیتال و پیشرفت در محاسبات پیشرفته است. با حمایت از برنامه‌هایی مانند Horizon Europe و EuroHPC، اروپا در حال ساخت اکوسیستم سخت‌افزاری و نرم‌افزاری برای هوش مصنوعی کارا از نظر انرژی است. همکاری با مراکز تحقیقاتی مانند Forschungszentrum Jülich و دانشگاه‌های پیشرو، مسیر انتقال تکنولوژی از آزمایشگاه به بازار را تسریع می‌کند.

شرکت SpiNNcloud با ارائه پلتفرم نرم‌افزاری کامل شامل کامپایلرها، کتابخانه‌های شبکه عصبی، و ابزارهای بهینه‌سازی، مانع ورود توسعه‌دهندگان را پایین آورده است. پشتیبانی از چارچوب‌های رایج مانند PyTorch و TensorFlow از طریق لایه‌های واسط، امکان انتقال مدل‌های موجود به سخت‌افزار نورومورفیک را با تغییرات mínima میسر می‌سازد.

چالش‌های پیش رو و فرصت‌ها

با وجود مزایای تئوریک و نتایج اولیه مشوق، پذیرش گسترده معماری‌های نورومورفیک نیازمند حل چالش‌های نرم‌افزاری و اکوسیستمی است. توسعه الگوریتم‌های بومی نورومورفیک (Native Neuromorphic Algorithms) که به طور کامل از پراکندگی و محاسبه رویدادمحور بهره ببرند، در مراحل اولیه است. اکثر مدل‌های فعلی هوش مصنوعی برای اجرا روی GPU بهینه شده‌اند و مپ کردن آن‌ها روی سخت‌افزار نورومورفیک، اگرچه امکان‌پذیر، اما همیشه بهینه نیست. آموزش مدل‌ها مستقیماً روی سخت‌افزار (On-chip Learning) نیز حوزه‌ای فعال تحقیق است که می‌تواند مزیت انعطاف‌پذیری و تطبیق در زمان واقعی را فراهم آورد.

از سوی دیگر، تقاضای روزافزون برای هوش مصنوعی سبز (Green AI) و محدودیت‌های انرژی در مراکز داده، انگیزه قوی برای سرمایه‌گذاری در این تکنولوژی فراهم می‌کند. پیش‌بینی می‌شود که در دههٔ آینده، معماری‌های نورومورفیک در کنار محاسبه کوانتومی و محاسبه فوتونیک، ستون‌های فقرات محاسبات پس از قانون مور را شکل دهند.

نتیجه‌گیری

استقرار بزرگ‌ترین ابرکامپیوتر نورومورفیک جهان در دانشگاه لایپزیگ، نقطه عطفی در مسیر تجاری‌سازی محاسبات الهام‌گرفته از مغز است. این سیستم با ۶۵۰ هزار هسته و مصرف ۲۵ کیلووات، اثبات می‌کند که کارایی انرژی و مقیاس‌پذیری می‌تواند بدون فدای کردن عملکرد، دست یابد. برای صنعت داروسازی و پزشکی دقیق، این بدان معناست که شبیه‌سازی‌های پیچیده‌تر، غربالگری سریع‌تر، و در نهایت یافتن درمان‌های موثرتر در زمان کوتاه‌تر و با هزینه کمتر امکان‌پذیر شده است. SpiNNcloud با ترکیب نوآوری سخت‌افزاری، هوشمندی نرم‌افزاری، و دید استراتژیک، در حال شکل‌دهی به آینده محاسبات هوش مصنوعی است.

معماری عمیق SpiNNaker2: از تراشه تا سیستم کامل

برای درک کامل توانایی‌های این ابرکامپیوتر، باید به لایه‌های مختلف معماری نگاه کنیم. تراشه SpiNNaker2، قلب این سیستم، با فناوری ۲۲ نانومتری GF (GlobalFoundries) فابریک شده و حدود ۱۰۰ میلیون ترانزیستور در مساحت ۱۰۰ میلی‌متر مربع جای گرفته است. هر یک از ۱۵۲ هسته ARM Cortex-M4F در این تراشه، دارای واحد محاسبه ممیز شناور (FPU) و واحد DSP برای تسریع محاسبات سیگنال است. علاوه بر این، تراشه شامل ۶۴ واحد تسریع شبکه عصبی (Neural Network Accelerator) است که عملیات ضرب-مجموع (MAC) و توابع فعال‌سازی را به صورت سخت‌افزاری و با کارایی انرژی بالا انجام می‌دهند.

شبکه ارتباطی روی تراشه (NoC) و بین تراشه‌ها

معماری SpiNNaker2 از یک شبکه ارتباطی روی تراشه (Network-on-Chip) سه‌بعدی توروس (3D Torus) برای ارتباط بین هسته‌ها درونی تراشه و بین تراشه‌های مجاور استفاده می‌کند. این توپولوژی مسیریابی قطعی (Deterministic Routing) با تاخیر پایین و پهنای باند بالا را تضمین می‌کند. هر تراشه ۶ لینک سریال سریع (SERDES) با سرعت ۱۰ گیگابیت بر ثانیه برای اتصال به تراشه‌های همسایه در جهت‌های شش‌گانه (بالا، پایین، چپ، راست، جلو، عقب) دارد. این طراحی امکان ساخت سیستم‌های مقیاس‌پذیر تا میلیون‌ها هسته بدون گلوگاه ارتباطی را فراهم می‌آورد. در سیستم لایپزیگ، ۴۳۲۰ تراشه در ۱۸ بورد، و بوردها در ۲ رک، با توپولوژی توروس سه‌بعدی به هم متصل شده‌اند.

مدیریت حافظه و مدل برنامه‌نویسی

برخلاف GPUها که از حافظه مشترک و مدل SIMT (Single Instruction Multiple Threads) استفاده می‌کنند، SpiNNaker2 از مدل حافظه توزیع‌شده (Distributed Memory) و MIMD (Multiple Instruction Multiple Data) پیروی می‌کند. هر هسته حافظه محلی تIGHTLY-COUPLED (TCM) و اشتراک در حافظه SRAM روی تراشه دارد. این معماری از «اشتراک حافظه» در معنای سنتی پشتیبانی نمی‌کند؛ به جای آن، انتقال پیام (Message Passing) از طریق پکت‌های اسپایک، مکانیزم اصلی ارتباط است. این رویکرد هم برای مقیاس‌پذیری ضروری است و هم با مدل محاسبه مغز هم‌سو است. پلتفرم نرم‌افزاری SpiNNaker Toolchain شامل کامپایلر، شبیه‌ساز، و دیباگر، توسعه اپلیکیشن‌ها را در سطح انتزاع بالا (مانند توصیف شبکه عصبی با PyNN یا Nengo) امکان‌پذیر می‌سازد.

کاربردهای پیشرفته در کشف دارو: فراتر از غربالگری مولکولی

استفاده از این ابرکامپیوتر در دانشگاه لایپزیگ تنها به غربالگری کتابخانه‌های مولکولی محدود نمی‌شود. چندین محور تحقیقاتی پیشرفته در حال تعریف و اجرا هستند:

۱. شبیه‌سازی دینامیک مولکولی با دقت کوانتومی-مکانیکی

شبیه‌سازی دینامیک مولکولی (MD) برای درک تعامل دارو-هدف، نیازمند محاسبه نیروهای بین اتم‌ها در مقیاس زمانی فمتوثانیه است. روش‌های سنتی یا از فیلدهای قدر (Force Fields) کلاسیک با دقت محدود استفاده می‌کنند، یا محاسبات کوانتومی (QM/MM) که بسیار پرهزینه هستند. معماری SpiNNaker2 با قابلیت اجرای موازی پراکنده، امکان استفاده از روش‌های ترکیبی و شبکه‌های عصبی گرافی (Graph Neural Networks) برای پیش‌بینی انرژی و نیروهای با دقت نزدیک کوانتومی اما با سرعت رده‌های مرتبه بالاتر را فراهم می‌کند. این کار امکان شبیه‌سازی سیستم‌های بزرگ‌تر (مانند پروتئین‌های غشایی در محیط لیپیدی) در مقیاس زمانی میلی‌ثانیه تا ثانیه را می‌دهد.

۲. طراحی نوین دارو با یادگیری تقویتی و مدل‌های مولد

یافتن مولکول‌های جدید با خواص مطلوب (ارتباط قوی، انتخاب‌پذیری، ADMET مناسب) یک مسئله بهینه‌سازی در فضای شیمیایی وسیع است. مدل‌های مولد (Generative Models) و یادگیری تقویتی (Reinforcement Learning) برای کاوش این فضا به کار می‌روند. معماری رویدادمحور SpiNNaker2 برای حلقه‌های بازخورد سریع در یادگیری تقویتی، که در آن عامل (Agent) مداماً مولکول تولید می‌کند، پاداش دریافت می‌کند و سیاست را به‌روزرسانی می‌کند، بهینه است. تاخیر بسیار پایین بین هسته‌ها امکان محاسبه پاداش و به‌روزرسانی گرادیان در مقیاس بزرگ را با کارایی بالا می‌دهد.

۳. پزشکی دقیق و توأمان‌های دیجیتال بیمار

ساخت توأمان دیجیتال (Digital Twin) بیمار برای پیش‌بینی پاسخ به درمان، نیازمند ادغام داده‌های مالتی-امیکس (Multi-omics)، تصویربرداری، و پرونده بالینی در یک مدل محاسباتی یکپارچه است. این مدل‌ها اغلب بر پایه معادلات دیفرانسیل معمول، شبکه‌های بیزی، یا شبکه‌های عصبی معمولی هستند که پارامترهای زیادی دارند و باید برای هر بیمار شخصی‌سازی شوند. موازی‌سازی پراکنده روی SpiNNcloud امکان حل همزمان میلیون‌ها مدل شخصی‌سازی‌شده (هر کدام برای یک بیمار یا زیرگروه) را فراهم می‌کند، که برای تست‌های بالینی مجازی (In Silico Clinical Trials) ضروری است.

اکوسیستم نرم‌افزاری و ابزارهای توسعه

موفقیت یک پلتفرم محاسباتی نوین تنها به سخت‌افزار بستگی ندارد. SpiNNcloud اکوسیستم نرم‌افزاری جامع را ارائه کرده است:

• SpiNNaker Toolchain: شامل کامپایلر (sPyNNaker)، شبیه‌ساز عملکردی، و ابزارهای پروفایلینگ.
• پشتیبانی از PyTorch/TensorFlow: لایه‌های تبدیل (Conversion Layers) برای مپ کردن مدل‌های ANN آموزش‌دیده به SNN روی SpiNNaker، با بهینه‌سازی پراکندگی و کم‌سازی.
• کتابخانه‌های شبکه عصبی پراکنده (SNN Libraries): پیاده‌سازی بهینه لایه‌های کانولوشنی، رکرنت، ترنسفورمر، و MoE بومی برای سخت‌افزار.
• فریم‌ورک‌های کاربردی: ماژول‌های تخصصی برای بیوانفورماتیک، شیمی محاسباتی، و دینامیک سیالات.

این ابزارها به محققان اجازه می‌دهد بدون نیاز به تخصص عمیق در معماری سخت‌افزاری، از قدرت SpiNNcloud بهره ببرند.

تحلیل اقتصادی و اثر بر صنعت HPC

از منظر اقتصادی، هزینه مالکیت کل (TCO) یک ابرکامپیوتر شامل سرمایه‌گذاری اولیه (CAPEX) و هزینه‌های عملیاتی (OPEX) از جمله برق، خنک‌سازی، و نگهداری است. سیستم SpiNNcloud لایپزیگ با مصرف ۲۵ کیلووات در برابر مگاوات‌ها برای سیستم‌های هم‌سطح GPU-محور، در طول عمر ۵ ساله، میلیون‌ها یورو هزینه انرژی و زیرساخت خنک‌سازی را ذخیره می‌کند. این عامل به تنهایی می‌تواند ROI (بازگشت سرمایه) را به شدت بهبود بخشد. علاوه بر این، چگالی محاسبه بالا (بیش از ۱۰ پتاأپس در متر مکعب) فضای دیتاسنتر را کاهش می‌دهد.

ورود SpiNNcloud به بازار HPC و AI، رقابتی جدید را به وجود می‌آورد که ناگزیر سازندگان سنتی (NVIDIA, AMD, Intel) می‌کند به کارایی انرژی و معماری‌های نوین توجه بیشتری کنند. ما از طرف NVIDIA شاهد تلاش‌هایی برای پشتیبانی از پراکندگی (Structured Sparsity) در Tensor Cores هستیم، اما تفاوت بنیادین در معماری (فون‌نوایمن در برابر داده‌جریان/رویدادمحور) باقی می‌ماند.

چالش‌های مهندسی و راهکارهای پیش رو

با وجود پیشرفت‌های چشمگیر، چالش‌های مهندسی قابل‌توجهی وجود دارد:

• برنامه‌نویسی موازی پراکنده: توسعه الگوریتم‌ها برای میلیون‌ها هسته با حافظه توزیع‌شده، تغییر پارادایم از برنامه‌نویسان می‌خواهد. ابزارهای کامپایلر هوشمند و کتابخانه‌های سطح بالا، این شکاف را پر می‌کنند اما منحنی یادگیری وجود دارد.
• دقت محاسبه: هسته‌های Cortex-M4F دقت FP32 دارند، در حالی که بسیاری از کاربردهای HPC و آموزش عمیق از FP64 یا TF32/BF16 استفاده می‌کنند. SpiNNcloud از روش‌های کم‌سازی (Quantization) و دقت ترکیبی (Mixed Precision) برای جبران این محدودیت استفاده می‌کند، اما برای برخی کاربردهای حساس به دقت (مانند دینامیک مولکولی با انرژی آزاد) چالش‌برانگیز است.
• قابلیت اطمینان در مقیاس بزرگ: مدیریت خرابی (Fault Tolerance) در سیستم با ۴۳۲۰ تراشه و میلیون‌ها هسته، مکانیزم‌های چک‌پوینت/ری‌استارت کارا، و عیب‌یابی توزیع‌شده را ضروری می‌سازد.

چشم‌انداز آینده: مقیاس میلیون هسته و فراتر

نقشه راه SpiNNcloud شامل مقیاس‌سازی به سیستم‌های ۱ میلیون هسته و فراتر در سال‌های آینده است. این مقیاس با 탑ولوژی توروس سه‌بعدی و تکنولوژی بسته‌بندی پیشرفته (Chiplet/3D Stacking) امکان‌پذیر خواهد بود. هدف نهایی، ساخت «مغز سیلیسونی» (Silicon Brain) با مقیاس و پیچیدگی نزدیک قشر مغزی انسان (حدود ۸۶ میلیارد نورون) اما با سرعت ساعت میلیون برابر بیشتر است. یک چنین سیستمی می‌تواند مدل‌های هوش مصنوعی عمومی (AGI) با استدلال، برنامه‌ریزی، و یادگیری مداوم را در زمان واقعی و با مصرف انرژی در رده کیلووات اجرا کند.

همزمان، تحقیقات در حوزه محاسبه فوتونیک نورومورفیک و مموریستورها (Memristors) برای یکپارچه‌سازی حافظه و محاسبه در سطح دستگاه، نسل بعد تراشه‌های SpiNNaker را شکل خواهد داد. اروپا با سرمایه‌گذاری در این زنجیره ارزش کامل (از مواد و دستگاه تا سیستم و اپلیکیشن)، در حال تثبیت جایگاه خود در مسابقه جهانی محاسبات پیشرفته است.

نتیجه‌گیری نهایی

ابرکامپیوتر SpiNNcloud در دانشگاه لایپزیگ تنها یک رکورد فنی نیست، بلکه اثبات مفهوم (Proof of Concept) برای یک پارادایم محاسبه جدید است. با الهام از مغز، این سیستم نشان داده که می‌توان با انرژی یک لامپ روشنایی خانگی، محاسباتی را انجام داد که ابرکامپیوترهای مگاواتی سنتی با آن دست‌وپنجه نرم می‌کنند. برای کشف دارو، پزشکی دقیق، و هوش مصنوعی نسل بعد، این بدان معناست که مرزهای ممکن، بازتعریف شده‌اند. سال‌های آینده شاهد گسترش سریع این معماری در مراکز محاسبه، صنعت، و پژوهش خواهیم بود، جایی که کارایی انرژی و هوش واقعی، معیارهای اصلی پیشرفت خواهند بود.