هل يمكن للذكاء الاصطناعي أن يعمل بكفاءة؟ قد يكون الباحثون قد وجدوا حلاً

الذكاء الاصطناعي (AI) يواصل تشكيل مستقبلنا عبر تقريبًا كل صناعة مع تزايد اعتماده لأتمتة العمليات التجارية الحيوية، وخفض التكاليف، وتعزيز الإنتاجية. 

تشير البيانات إلى أن أكثر من 80٪ من الشركات تستخدم الذكاء الاصطناعي إلى حد ما، معتبرةً إياه تقنية أساسية داخل مؤسساتها. كما ارتفى الالتزام المالي بالذكاء الاصطناعي مع تحقيق اعتماده لفوائد كبيرة وعائد استثمار أعلى بكثير.

وبذلك، نما حجم سوق الذكاء الاصطناعي إلى ما يزيد عن 184 مليار دولار في عام 2024 ومن المتوقع أن يتجاوز 826 مليار دولار بحلول نهاية هذا العقد، وفقًا لـ Statista.

كل هذا النمو والانفجار في الاهتمام بالذكاء الاصطناعي أدى إلى سباق تسلح لتطوير التقنية. نماذج الذكاء الاصطناعي مثل نماذج اللغة الكبيرة (LLMs) التي تُبنى من قبل المؤسسات تستخدم خوارزميات لفهم وتلخيص وترجمة وتوليد اللغة البشرية وتُدرب على كميات هائلة من البيانات باستخدام معالجات ذات استهلاك طاقة مرتفع. 

لهذا، تقوم الشركات ومشغلو مراكز البيانات بنشر الكثير من رأس المال لبناء مراكز بيانات جديدة ذات سعة عالية. وقد ارتفعت الاستثمارات في مراكز البيانات الجديدة، وفقًا للوكالة الدولية للطاقة (IEA)، بشكل كبير خلال العامين الماضيين، بقيادة الولايات المتحدة. في عام 2023، كان إجمالي الاستثمار الرأسمالي من قبل مايكروسوفت وجوجل وأمازون وحدهم أعلى من استثمارات جميع صناعات النفط والغاز في البلاد.

(MSFT ) (AMZN )

تتطلب هذه مراكز البيانات الكثير من الكهرباء لتشغيلها. في عام 2022، صرحت IEA أن مراكز البيانات استهلكت 1.65 مليار جيجا جول من الكهرباء، وهو ما يمثل حوالي 2٪ من الطلب العالمي. 

من المتوقع أن يرتفع الطلب العالمي على الطاقة من مراكز البيانات بنسبة 50٪ بحلول 2027 وبنسبة 165٪ بحلول 2030، وفقًا لأبحاث جولدمان ساكس من أوائل هذا الشهر.

يُقدَّر استهلاك الطاقة الحالي لمراكز البيانات بحوالي 55 جيجاواط (GW)، يتضمن أحمال الحوسبة السحابية (54٪)، الأحمال التقليدية مثل التخزين (32٪)، والذكاء الاصطناعي (14٪). نمذجة الطلب المستقبلي لهذه الأنواع من الأحمال تُظهر أن الطلب المتوقع على الطاقة بحلول 2027 سيصل إلى 84 جيجاواط، حيث سيصل حصة الذكاء الاصطناعي إلى 27٪ بينما ستنخفض السحابة إلى 50٪ وتتناقص الأحمال التقليدية إلى 23٪.

في الوقت نفسه، تبلغ السعة السوقية العالمية لمراكز البيانات حوالي 59 جيجاواط، يُوفر 60٪ منها مزودو السحابة الضخمة مثل جوجل وعلي بابا ومشغلو مراكز البيانات من الطرف الثالث، بينما يأتي الباقي من مراكز البيانات التقليدية المملوكة للشركات والاتصالات.

يبلغ طلب الطاقة لهذه المراكز الضخمة من السحابة 100 ميجاواط أو أكثر مع استهلاك كهربائي سنوي يعادل تقريبًا طلب الكهرباء من ما يصل إلى 400,000 سيارة كهربائية.

مع استمرار المؤسسات في تبني الذكاء الاصطناعي، يمكننا أيضًا توقع ظهور مراكز بيانات مخصصة للذكاء الاصطناعي، وهي فئة ناشئة من البنية التحتية صُممت خصيصًا لتلبية المتطلبات الفريدة لأحمال عمل الذكاء الاصطناعي. رغم قلة وجودها حتى الآن، فإنها تقع أساسًا في منطقة آسيا والمحيط الهادئ وأمريكا الشمالية، لا سيما في بكين، شنغهاي، شمال فرجينيا، ومنطقة خليج سان فرانسيسكو.

وفقًا لتقديرات أبحاث جولدمان ساكس، بحلول نهاية عام 2030، سيكون هناك حوالي 122 جيجاواط من سعة مراكز البيانات متاحة. وبسبب الطلبات الأعلى لمعالجة الأحمال من الذكاء الاصطناعي، من المرجح أن يرتفع كثافة استهلاك الطاقة في مراكز البيانات إلى 176 كيلوواط-ساعة لكل قدم مربع خلال عامين.

مع مساهمة مراكز البيانات في زيادة الحاجة إلى الطاقة، سيتطلب شبكة الكهرباء أيضًا استثمارات كبيرة، حيث يُقدَّر إنفاق الشبكة بـ 720 مليار دولار حتى عام 2030.

ثم هناك انبعاثات ثاني أكسيد الكربون من مراكز البيانات، التي يمكن أن تتضاعف أكثر من الضعف بين عامي 2022 و2030. لذا، أصبح استهلاك الكهرباء لمراكز البيانات، الذي يمثل حاليًا 1-2٪ من إجمالي الطاقة ومن المرجح أن يرتفع إلى 3-4٪ بحلول نهاية العقد، مصدر قلق، رغم أنه ليس أمرًا يائسًا بالكامل.

الأرقام، رغم ضخامتها، تبدو متواضعة عند النظر إليها في سياق أوسع لنمو استهلاك الكهرباء العالمي ككل، والذي تتوقع IEA أن يزداد بمقدار 6,750 تيراواط-ساعة بحلول 2030 نتيجة لارتفاع ليس فقط الذكاء الاصطناعي بل أيضًا النمو الاقتصادي المستمر، السيارات الكهربائية، مكيفات الهواء، والصناعات ذات الاستهلاك العالي للطاقة.

بالإضافة إلى ذلك، ليس فقط سرعة استخدام الذكاء الاصطناعي ما يزال غير مؤكد، بل إن التحسينات المستمرة في الكفاءة لكل من الأجهزة والبرمجيات يمكن أن تساعد في تلبية طلبات الطاقة لتقنية الذكاء الاصطناعي.

تضاعفت كفاءة الشرائح الحاسوبية المتعلقة بالذكاء الاصطناعي تقريبًا كل 2.5-3 سنوات. الآن يستهلك شريحة الذكاء الاصطناعي الحديثة 99٪ أقل من الطاقة أثناء أداء نفس الحسابات التي كان نموذج من عام 2008 يقوم بها. بالإضافة إلى ذلك، أصبحت نماذج الذكاء الاصطناعي نفسها أكثر كفاءة. وبالاقتران مع تقنيات تبريد جديدة وحلول علمية مبتكرة، تقلل هذه التطورات من استهلاك الطاقة وتحد من تأثيراتها البيئية.

انقر هنا لتعرف لماذا التخزين التقليدي لا يمكنه مواكبة الذكاء الاصطناعي.

العلماء يطورون حلاً رائدًا 

صورة توضيحية. ليست صورة فوتوغرافية فعلية.

في ظل تطور الذكاء الاصطناعي وزيادة طلباته الطاقية، طور باحثون في اليابان جهازًا سبينترونيكيًا مبتكرًا يعد بتقليل كبير في استهلاك الطاقة من خلال السماح بالتحكم الكهربائي في الحالات المغناطيسية. 

يمكن لهذا الاختراق أن يحدث ثورة في أجهزة الذكاء الاصطناعي من خلال تصنيع شرائح تحاكي طريقة عمل الشبكات العصبية وتكون أكثر كفاءة في استهلاك الطاقة. بدلاً من استخدام التيار الكهربائي لتخزين المعلومات، تستخدم هذه الأجهزة دوران الإلكترونات لنفس الغرض، مما يجعلها أسرع وأكثر كفاءة.

تُستخدم الأجهزة السبنترونية في أجهزة التخزين الضخم والحوسبة لزيادة سرعة وأداء الحواسيب.

يستخدم الباحثون في المعهد الوطني لعلوم المواد، جامعة توهوكو، والوكالة اليابانية للطاقة الذرية الآن هذا الجهاز لشرائح ذكاء اصطناعي منخفضة الطاقة وأظهروا نموذجًا تجريبيًا لجهاز عزم دوران مداري مبرمج بالتيار (SOT).

يقدم SOT آلية واعدة لتشفير المعلومات كهربائيًا في الحالات المغناطيسية. ومع ذلك، في المخططات الحالية، يتم تحديده سلبًا بواسطة المادة وبنية الجهاز.

“بينما أحرز البحث في مجال السبنترونيات تقدمًا كبيرًا في التحكم الكهربائي في النظام المغناطيسي، تفصل معظم الأجهزة السبنترونية الحالية دور المادة المغناطيسية لتُتحكم فيها عن المادة التي توفر القوة الدافعة.”

– شونسكي فوكامي، جامعة توهوكو

الأجهزة السبنترونية، بمجرد تصنيعها، لها مخطط تشغيل ثابت تُبدل فيه المعلومات عادةً بطريقة ثنائية؛ من “0” إلى “1”. لكن البحث الجديد أحرز تقدمًا في التبديل القابل للبرمجة كهربائيًا لعدة حالات مغناطيسية. يسمح تعديل قطبية SOT الداخلية بإنشاء أجهزة SOT قابلة للبرمجة بمرونة.

وفقًا لنتائج الدراسة المنشورة في Nature Communications¹ هذا الشهر، يتيح هذا الجهاز السبنترونيكي التحكم المتبادل الكهربائي في المضادات غير المتعامدة والمواد الفيرومغناطيسية لتبديل الحالات المغناطيسية بكفاءة. 

التحكم الكهربائي في الحالات المغناطيسية هو أساس الذاكرة المغناطيسية والمنطق والحوسبة، ويقدم SOT نهجًا فعالًا للتحكم فيها. 

ما يعنيه ذلك هو أن جهاز SOT الثوري يمكنه تخزين ومعالجة المعلومات كما لو كان شريحة ذكاء اصطناعي مستوحاة من الدماغ مع استهلاك طاقة أقل بكثير، مما يفتح الأبواب لجيل جديد من أجهزة الذكاء الاصطناعي ذات الكفاءة العالية وتوفير الطاقة.

استخدمت الدراسة Mn3Sn، وهو مضاد غير متعامد، كمادة مغناطيسية رئيسية وطبقت تيارًا كهربائيًا عليها، مما أدى إلى إنتاج تيار دوران دفع تبديل CoFeB، الفيرومغناطيس المجاور. تم ذلك عبر عملية تُسمى تأثير هول المغناطيسي.

تأثير هول المغناطيسي (SHE) هو عنصر أساسي في السبنترونيات الحديثة يحقق “الربط بين التيارات الشحنية والديناميكيات الدورانية الجماعية في الأنظمة المرتبة مغناطيسيًا”.

البحث السابق² من جامعة توهوكو، بالتعاون مع معاهد أخرى، أظهر أن المضادات غير المغناطيسية تمتلك خصائص هول دوران أقوى مقارنة بالمواد غير المغناطيسية. كما أن SHE في Mn3Sn يغير إشاره بشكل غير عادي عندما تتغير اتجاهات لحظاته المثلثية المرتبة. وقد نسب أيضًا آلية المغناطيسية العالية في Mn3Sn إلى انقسام الدوران، الذي يعتمد على الزخم ويُولد بواسطة النظام المغناطيسي غير المتعامد، موسعًا نطاق السبنترونيات المضادة للمغناطيسية.

في البحث الأخير، استجاب الفيرومغناطيس للتيار الموجه بالدوران، وعلى ذلك، أثر على الحالة المغناطيسية لـ Mn3Sn. هذا مكّن التبديل المتبادل الكهربائي بين المادتين.

أظهر الفريق في تجربتهم أن المعلومات المكتوبة على الفيرومغناطيس يمكن التحكم فيها كهربائيًا بمساعدة الحالة المغناطيسية لـ Mn3Sn. تمكنوا من تبديل مغنطة CoFeB في مسارات مختلفة تمثل حالات متعددة عن طريق تعديل التيار المحدد.

تغيير قطبية التيار يغيّر إشارة المعلومات المكتوبة، وهو آلية تبديل تماثلية، وتُعد عملية أساسية في الشبكات العصبية وتقلد طريقة عمل القيم التماثلية في معالجة الذكاء الاصطناعي.

الاكتشاف، وفقًا لفوكامي، يمثل خطوة حاسمة إلى الأمام في إنتاج شرائح ذكاء اصطناعي أكثر كفاءة في استهلاك الطاقة. 

“من خلال تحقيق التبديل المتبادل الكهربائي بين مضاد غير متعامد وفيرومغناطيس، فتحنا آفاقًا جديدة للشبكات العصبية القابلة للبرمجة بالتيار،” أضاف، مشيرًا إلى أن تركيزهم الآن على “تقليل التيارات التشغيلية أكثر وزيادة إشارات القراءة، وهو ما سيكون حاسمًا للتطبيقات العملية في شرائح الذكاء الاصطناعي.”

مع استهلاك مراكز البيانات للطاقة بهذا الحجم، سعت دراسة أخرى إلى تقليل استهلاك الطاقة باستخدام ذاكرة عشوائية مغناطيسية (MRAM) مدفوعة بـ SOT.

هذه الدراسة المنفصلة³، التي نُشرت في Nature Communications الشهر الماضي، جاءت من باحثين بجامعة جوهانس غوتنبرغ ماينز (JGU)، الذين طوروا حلًا قويًا وعالي الكفاءة لمعالجة البيانات وتخزينها مع تقليل استهلاك الطاقة.

قال المؤلف الرئيسي للدراسة، الدكتورة راهول غوبتا، الذي كان باحثًا ما بعد الدكتوراه في معهد الفيزياء بجامعة JGU: “النموذج الأولي يمهد الطريق لحلول ذاكرة أسرع وأكثر كفاءة”.

يعتمد على SOT MRAM، المعروف بكفاءته العالية في استهلاك الطاقة، وعدم تقلبه، وأدائه مقارنةً بالذاكرة العشوائية الثابتة. التقنية التي تستخدم التيارات الكهربائية لتبديل الحالات المغناطيسية تواجه تحديات في تقليل التيار العالي المطلوب أثناء عملية الكتابة. وهذا يعني الحفاظ على استقرار حراري كافٍ لتخزين البيانات لفترة طويلة وتقليل الطاقة المطلوبة لأداء مهمة التخزين.

بدلاً من SHE، استخدمت هذه الدراسة تأثير هول المداري (OHE)، حيث يُنتج تدفق عرضي للزخم الزاوي المداري في مادة عندما يُطبق تيار كهربائي. باستخدام هذه الظاهرة، تمكن الباحثون من تحقيق كفاءة طاقة أعلى دون الاعتماد على مواد مكلفة أو نادرة.

المادة المغناطيسية الفريدة التي تم تطويرها تستخدم عناصر مثل الروثينيوم كقناة SOT لتعزيز الأداء. وبذلك، تمكن الفريق من تحقيق انخفاض بنسبة 20٪ في التيار المدخل، وزيادة بنسبة 30٪ في الكفاءة، وتقليل أكثر من 50٪ في استهلاك الطاقة الكلي.

الشركات الرائدة في المجال

الآن، دعونا نلقي نظرة على الأسماء البارزة التي تساعد في دفع مجال الذكاء الاصطناعي قدمًا:

1. NVIDIA Corporation

تصمم شركة Nvidia (NVDA ) وتصنع وحدات معالجة الرسومات أو GPUs. الـ GPU هو دائرة إلكترونية تقوم بإجراء حسابات رياضية بسرعة عالية وهو خيار شائع لتطوير نماذج الذكاء الاصطناعي.

على مدار العقد الماضي، حسّنت الشركة بشكل كبير من الأداء لكل واط في وحدات GPU الخاصة بها، بما يصل إلى 4,000 مرة، وفقًا للعالم الرئيسي ويليام دالي وتستمر في تطوير دوائر متخصصة في هذه الشرائح تم تصميمها خصيصًا لحسابات الذكاء الاصطناعي.

تُعد Nvidia ثاني أكبر شركة في العالم من حيث القيمة السوقية التي تبلغ 3.21 تريليون دولار. تُتداول أسهمها حاليًا عند 130.86 دولار، بانخفاض 2.35٪ منذ بداية العام. ربحية السهم (EPS) للـ TTM هي 2.54 ونسبة السعر إلى الأرباح (P/E) للـ TTM هي 51.67 بينما عائد dividend هو 0.03٪.

فيما يتعلق بالبيانات المالية للشركة، ستُصدر Nvidia نتائج الربع الرابع من السنة المالية 25 في 26 فبراير. الآن، للربع الثالث، كان ربحها وفقًا لمبادئ المحاسبة المقبولة عموماً (GAAP) لكل سهم مخفّف 0.78 دولار، ووفقًا لمبادئ غير GAAP 0.81 دولار.

في هذا الربع، أعلنت Nvidia عن إيرادات قياسية بلغت 35.1 مليار دولار، بزيادة 17٪ عن الربع الثاني و94٪ عن العام السابق. شكلت إيراداتها من مراكز البيانات 30.8 مليار دولار من ذلك. بالنسبة للربع الرابع، شاركت توقعًا بإيرادات قدرها 37.5 مليار دولار.

“عصر الذكاء الاصطناعي في أوجه، يدفع تحولًا عالميًا إلى حوسبة NVIDIA”، قال الرئيس التنفيذي والمؤسس جينسن هوانغ في ذلك الوقت مشيرًا إلى أنه يرى “طلبًا هائلًا” على Hopper بالإضافة إلى الترقب لـ Blackwell، الذي يتيح الحوسبة عالية الأداء (HPC) للتدريب المتسارع، والاستدلال، والكفاءة في الذكاء الاصطناعي العام.

مرت Nvidia برحلة رائعة حيث ارتفع سعر سهمها من أقل من 11 دولار في أكتوبر 2022 إلى أكثر من 152 دولار في أوائل يناير 2025. مؤخرًا، فقدت بعض الزخم بعد أن أطلقت شركة DeepSeek الصينية نموذجًا جديدًا للذكاء الاصطناعي. كان الانطباع الأول أن DeepSeek قد يقلل الطلب على وحدات GPU عالية الأداء من Nvidia، لكن ذلك قد يكون إيجابيًا لـ Nvidia حيث قد تفتح احتياجات الحوسبة الأقل للشركة الناشئة فرصًا أكبر للذكاء الاصطناعي، مما يدفع أسعار أكبر صانع شرائح إلى الأعلى.

“الذكاء الاصطناعي يُحوِّل كل صناعة وشركة ودولة”، قال هوانغ خلال البيانات المالية للربع الأخير وأضاف أن الشركات تتبنى الذكاء الاصطناعي الوكالي بينما تُشاهد اختراقات في الذكاء الاصطناعي الفيزيائي في الروبوتات الصناعية. وأضاف أن الدول أيضًا استيقظت على أهمية بناء بنية تحتية للذكاء الاصطناعي خاصة بها.

#2. Broadcom Inc.

تُعد Broadcom (AVGO ) من بين أكبر 10 شركات، بقيمة سوقية تبلغ 1.1 تريليون دولار. تشارك في تصميم وتطوير وتوريد مجموعة واسعة من حلول أشباه الموصلات والبرمجيات البنية التحتية. للشركة شراكات مع لاعبين كبار مثل Google وMeta Platforms (META ) وByteDance. كما تعمل مع OpenAI وApple (AAPL ) لبناء شرائح ذكاء اصطناعي خاصة بهما.

في وقت كتابة هذه السطور، تُتداول أسهم Broadcom عند 235 دولارًا، بارتفاع 1.95٪ منذ بداية العام. ربحية السهم (EPS) للـ TTM هي 1.28 ونسبة السعر إلى الأرباح (P/E) للـ TTM هي 184.78 بينما عائد dividend هو 1٪.

الآن، في الربع الرابع من عام 2024، حققت Broadcom إيرادات تزيد عن 14 مليار دولار، بزيادة 51٪ عن الفترة نفسها من العام السابق، بينما كان صافي الدخل وفقًا لمبادئ GAAP 4.324 مليار دولار. للربع الأول من السنة المالية 2025، قدمت الشركة إرشادًا للإيرادات بحوالي 14.6 مليار دولار.

في الربع الرابع، سجلت إيرادات الشركة في قطاع أشباه الموصلات رقمًا قياسيًا بلغ 30.1 مليار دولار، وهو ما أشار إليه الرئيس التنفيذي والرئيس هوك تان بأنه مدفوع بإيرادات الذكاء الاصطناعي التي بلغت 12.2 مليار دولار. النمو السنوي بنسبة 220٪ في إيرادات الذكاء الاصطناعي كان مدفوعًا بـ XPUs الخاصة بها.

بلغ ربح السهم المخفّف وفقًا لمبادئ GAAP لدى Broadcom 0.90 دولار، وكان ربح السهم المخفّف غير GAAP 1.42 دولار. في الوقت نفسه، كان النقد من العمليات 5.6 مليار دولار. كما أبلغت الشركة عن زيادة بنسبة 11٪ في توزيعات الأسهم العادية الفصلية إلى 0.59 دولار للسهم، وهي الزيادة الرابعة عشر المتتالية. جاء التدفق النقدي الحر مستثنيًا إعادة الهيكلة “قويًا” بمقدار 21.9 مليار دولار بينما كان النقد وما في حكمه 9.348 مليار دولار.

“نرى فرصتنا على مدار السنوات الثلاث القادمة في الذكاء الاصطناعي هائلة. بدأت بعض الشركات الضخمة في رحلاتها الخاصة لتطوير مسرعات ذكاء اصطناعي مخصصة لها.”

– تان قال في مكالمة الأرباح

كما شارك أن الشركة تطور شرائح ذكاء اصطناعي مع ثلاثة عملاء سحابة كبار، من المتوقع أن ينشر كل منهم مليون شريحة ذكاء اصطناعي في مجموعات شبكية بحلول 2027.

الخلاصة

مع استمرار تزايد شعبية واستخدام الذكاء الاصطناعي، يزداد استهلاك الطاقة الخاص به أيضًا. تتطلب نماذج الذكاء الاصطناعي، خاصة التعلم العميق، كمية كبيرة من الطاقة للمعالجة، وتواجه الحلول التقليدية حدودًا في كفاءة الطاقة.

في ظل هذا السياق، يمكن للبحوث التي تهدف إلى تحسين كفاءة الطاقة لشرائح الذكاء الاصطناعي وتقليل آثارها البيئية أن تساعد العالم على تحقيق الإمكانات الكاملة للتقنية مع تقليل آثارها السلبية.

يمكن لأجهزة الذاكرة والمنطق القائمة على SOT أن تُحدث فرقًا كبيرًا هنا من خلال توفير حل منخفض الطاقة باستخدام الحالات المغناطيسية للمعالجة بدلاً من المنطق القائم على الشحنة. يمكن أن يقلل الاحتفاظ بالبيانات دون طاقة مستمرة من تكاليف الطاقة لاستدلال الذكاء الاصطناعي، ويُمكّن مسرعات ذكاء اصطناعي أكثر كفاءة للطاقة لاتخاذ قرارات ذكية في الوقت الحقيقي من خلال محاكاة الدماغ، ويعزز سرعة معالجة مهام الذكاء الاصطناعي بدمج المنطق والذاكرة.

الجهود المستمرة مثل هذه تجعل أجهزة وبرمجيات الذكاء الاصطناعي أكثر كفاءة في الطاقة، أسرع، وقادرة على معالجة حسابات معقدة، مما يدفع تبني الذكاء الاصطناعي على نطاق أوسع عبر الصناعات مع تقليل بصمتها الكربونية!

انقر هنا لتعرف لماذا عام 2025 هو عام الاستثمارات المدفوعة بالذكاء الاصطناعي.

مرجع الدراسة:

^{1. Yoon, J.Y., Takeuchi, Y., Takechi, R., et al. (2025). Electrical mutual switching in a noncollinear-antiferromagnetic–ferromagnetic heterostructure. Nature Communications, 16, 1171. متاح على الإنترنت 5 فبراير 2025. https://doi.org/10.1038/s41467-025-56157-6}

2. Kimata, M., Chen, H., Kondou, K., et al. (2019). Magnetic and magnetic inverse spin Hall effects in a non-collinear antiferromagnet. Nature, 565, 627–630. متاح على الإنترنت 16 يناير 2019. https&#58://doi.org/10.1038/s41586-018-0853-0

3. Gupta, R., Bouard, C., Kammerbauer, F., et al. (2025). Harnessing orbital Hall effect in spin-orbit torque MRAM. Nature Communications, 16, 130. متاح على الإنترنت 2 يناير 2025. https&#58://doi.org/10.1038/s41467-024-55437-x