شبكات الموجات الدوارة: القفزة التالية في الحوسبة الفعّالة للذكاء الاصطناعي

الذكاء الاصطناعي (AI) ييحوّل الطريقة التي نعيش بها. مع إمكاناته لإحداث ثورة في الصناعات، من المتوقع أن تولّد التقنية تريليونات من القيمة.

من الرعاية الصحية إلى التعليم، النقل، الترفيه، والمالية، عزّز الذكاء الاصطناعي الكفاءة والدقة عبر القطاعات. كما يساعد الذكاء الاصطناعي في تحسين كفاءة الطاقة. على سبيل المثال، تعاون العلماء من جميع أنحاء العالم لإنشاء¹ فئة جديدة من المواد باستخدام الذكاء الاصطناعي تساعد على خفض تكاليف الطاقة.

لكن ماذا عن الطلب الضخم للطاقة من الذكاء الاصطناعي نفسه؟ الذكاء الاصطناعي المستهلك للطاقة يشكل تحديًا كبيرًا. مع الارتفاع السريع في تطبيقات الذكاء الاصطناعي، فإن الطلب على الطاقة يتزايد بشكل كبير، مما يضع ضغطًا على بنية الطاقة لدينا.

كل يوم، تصبح نماذج التعلم الآلي (ML) أكثر تعقيدًا. وكلما كبرت وتطورت، ارتفعت متطلبات الموارد لتدريب وتشغيل هذه النماذج.

يتطلب تدريب نماذج ML ليس فقط موارد حوسبة بل أيضًا طاقة ومياه لمراكز البيانات التي تحتضن البنية التحتية لتقنية المعلومات اللازمة لتدريب ونشر وتقديم تطبيقات وخدمات الذكاء الاصطناعي.

Vijay Gadepally، عالم كبير في مركز الحوسبة الفائقة بمختبر لينكولن التابع لمعهد ماساتشوستس للتكنولوجيا (LLSC)، قال ما يلي قبل بضع سنوات عندما كان الوضع لا يزال يتطور:

“مع انتقالنا من النص إلى الفيديو إلى الصورة، تنمو نماذج الذكاء الاصطناعي لتصبح أكبر فأكبر، وكذلك تأثيرها على الطاقة. سيتحول هذا إلى استهلاك طاقة كبير ومساهم متزايد في الانبعاثات حول العالم.”

كما تتوقع الوكالة الدولية للطاقة (IEA)، سيتضاعف الطلب العالمي على الكهرباء من مراكز البيانات من 460 تيراواط‑ساعة (TWh) في 2022 إلى 1,000 TWh في 2026، وهو ما يعادل تقريبًا استهلاك الكهرباء في اليابان.

لقد وصل استهلاك الكهرباء من مراكز البيانات بالفعل إلى حوالي 1.5% من استهلاك الكهرباء العالمي.

بحث جديد صدر عن اليونسكو وجامعة كوليدج لندن (UCL) أيضًا يحذر من أن طلبات الطاقة للذكاء الاصطناعي، خاصة نماذج اللغة الكبيرة (LLMs)، وصلت إلى مستويات غير مستدامة، ولتغيير ذلك، “نحتاج إلى تحول جذري في طريقة استخدامها”.

وفقًا لتقاريرهم، تُستخدم أدوات الذكاء الاصطناعي التوليدي من قبل أكثر من مليار شخص يوميًا، مع استهلاك كل تفاعل حوالي 0.34 واط‑ساعة من الطاقة لكل طلب. وقالوا:

“هذا يضيف ما يصل إلى 310 جيجاواط‑ساعة سنويًا، ما يعادل استهلاك الكهرباء السنوي لأكثر من 3 ملايين شخص في دولة أفريقية منخفضة الدخل.”

في تقريرهم، اقترح فريق من علماء الحاسوب ثلاث ابتكارات رئيسية لتحقيق وفورات طاقة كبيرة. تشمل هذه الاستخدام النماذج الأصغر، التي تكون ذكية ودقيقة كالنماذج الكبيرة ولكن يمكن أن تقلل استهلاك الطاقة حتى 90٪. ثم هناك طلبات وإجابات أقصر وأكثر اختصارًا يمكن أن تقلل استهلاك الطاقة بأكثر من 50٪، بينما يمكن لضغط النموذج أن يوفر حتى 44٪ من الطاقة.

جعل الذكاء الاصطناعي أكثر كفاءة عبر برامج أذكى، وأجهزة صديقة للبيئة

شريحة ذكاء اصطناعي متوهجة مدمجة في ورقة خضراء ترمز إلى الذكاء الاصطناعي الفعّال في استهلاك الطاقة

ليس فقط عدد متزايد من الأفراد يتبنى الذكاء الاصطناعي بشكل متزايد، بل أيضًا المزيد من المؤسسات تدمج هذه التقنية في أعمالها.

أظهر دراسة أجرتها معهد IBM للأعمال (IBV) أن الأغلبية (77٪) يشعرون بالحاجة إلى استخدام الذكاء الاصطناعي التوليدي بسرعة لمواكبة عملائهم.

على مر السنين، ظهرت عدة ابتكارات تكنولوجية أخرى، مثل الحوسبة، التي أثارت مخاوف مماثلة، وتم معالجة هذه المخاوف من خلال ابتكارات الكفاءة. يمكن الآن فعل الشيء نفسه مع الذكاء الاصطناعي. من الباحثين إلى الشركات، يعمل الجميع حاليًا على فهم تأثيره وإيجاد حلول لتخفيف آثاره السلبية.

تشمل هذه الحلول استخدام الطاقة النظيفة والمتجددة، بالإضافة إلى نماذج أصغر وتدريب نماذج أذكى.

لمواجهة تحديات كفاءة الطاقة للذكاء الاصطناعي، يركز الباحثون على جبهتين:

• ابتكارات البرمجيات
• تحسينات الأجهزة

في مجال الأجهزة، يُعد تحديد الحد الأقصى للطاقة (power‑capping) حلاً يمكنه تقليل استهلاك الطاقة بما يصل إلى 15٪. وهناك أيضًا الأجهزة الكربونية الفعّالة، التي “تطابق النموذج مع أكثر مزيج من الأجهزة كفاءةً من حيث الكربون”، وفقًا لـ MIT.

في مؤتمر الاستدامة بمعهد MIT في أكتوبر، اقترح غاديبالي، الذي يقود جهود البحث الواعي بالطاقة في LLSC، إعادة التفكير في تدريب نماذج الذكاء الاصطناعي والاستثمار في أجهزة أكثر كفاءة. وقد استخدم مختبر لينكولن التابع لمعهد MIT توصيات غاديبالي لتقليل بصمة مركز بياناته الخاص.

يمكن أيضًا أن تسهم الأجهزة الأكثر كفاءة في الحوسبة المتخصصة في توفير الطاقة. تُقلل تقنية التوازي، التي تُقلص زمن تدريب الخوارزمية عن طريق توزيع الحسابات على عدة نوى معالجة، من استهلاك الطاقة، كما أن الحوسبة الطرفية، التي تُجري الحسابات في المواقع التي تُجمع أو تُستخدم فيها البيانات، تُعد حلاً واعدًا آخر.

يتجه العلماء أيضًا إلى الدماغ البشري، الذي يحتوي على 100 مليار خلية عصبية و100 تريليون اتصال تشابكي، لجعل الآلات أفضل.

أدى ذلك إلى الحوسبة العصبية، التي، بدلاً من الاعتماد على بنى فون نيومان التقليدية، تستخدم خلايا عصبية صناعية وتشابكات لمعالجة المعلومات بطريقة مشابهة للدماغ لتحقيق كفاءة طاقة أعلى وقوة حوسبة أكبر.

على سبيل المثال، طور باحثون من كلية الهندسة بجامعة سيول الوطنية أجهزة نيورومورفية² تعتمد على مواد هجينة عضوية‑لاعضوية.

وبخصوص الجزء الرئيسي من بحثهم، أشار الأستاذ هو وون جانغ إلى أن “المفتاح يكمن في إظهار أن حركة الأيونات المتجانسة عبر سطح المادة أكثر أهمية لتطوير أجهزة نيورومورفية عالية الأداء من إنشاء خيوط موضعية في مواد أشباه الموصلات.”

الضوء هو طريقة أخرى لتحسين أجهزة الذكاء الاصطناعي. بدلاً من الإشارات الكهربائية، يستخدم الحوسبة الضوئية الضوء وتسمح بالعمليات المتوازية مع فقدان حرارة ضئيل.

قبل بضعة أشهر فقط، نشر باحثون من كلية كولومبيا الهندسية منصة ثلاثية الأبعاد ضوئية‑إلكترونية تحقق كفاءة طاقة عالية وكثافة عرض نطاق واسع. لِذلك، دمجوا الفوتونيات مع دوائر سي‌مو إس المتقدمة. تُوفر الشريحة الضوئية‑إلكترونية المتكاملة ثلاثيًا عرض نطاق عالي (800 جيجابِت/ث) مع استهلاك 120 فيمتوجول لكل بت فقط. كما أن كثافة عرض النطاق 5.3 تيرابِت/ث·مم² تتجاوز المعايير الحالية.

في الصيف الماضي، أظهر باحثون من كلية العلوم والهندسة بجامعة مينيسوتا تقنية جديدة تُدعى الذاكرة العشوائية الحاسوبية (CRAM) يمكنها تقليل استهلاك الطاقة للذكاء الاصطناعي بما يصل إلى 1,000 مرة.

مع بروز الفوتونيات السيليكونية كقوة تقنية مدمرة للمعجلات الجيل القادم للتعلم الآلي، قدم باحثون من مختبرات Hewlett‑Packard منصة سيليكون فوتونية كفءة وقابلة للتوسع لتكون الأساس الصلب لأجهزة تسريع الذكاء الاصطناعي.

مسرعات الذكاء الاصطناعي الضوئية، على عكس التقليدية التي تعتمد على الشبكات العصبية الموزعة إلكترونيًا (DNNs)، تستخدم شبكات عصبية بصرية⁶ (ONNs) التي توفر توازيًا عاليًا، زمن استجابة منخفض جدًا، وفقدان حرارة ضئيل.

على الرغم من سهولة تصنيعها، فإن الفوتونيات السيليكونية صعبة التوسع؛ لذا، تم تصنيع المنصة باستخدام الفوتونيات السيليكونية إلى جانب أشباه الموصلات المركبة من الفئة III‑V (مثل InP أو GaAs).

الآن، هناك طريقة جديدة يمكنها جعل الذكاء الاصطناعي أكثر كفاءة، وهي تمكين شبكات موجهات الموجات الدوارة الكبيرة لمعالجة المعلومات المتقدمة. الموجة الدوارة حل واعد لمعالجة المعلومات.

تحقق هذه القفزة في كفاءة أجهزة الذكاء الاصطناعي فريق من العلماء الألمان من جامعات مونستر وهيدلبرغ.

بقيادة رودولف براشتسيتش، أستاذ فيزياء بجامعة مونستر، أنشأ الفريق شبكة موجهات موجة دوارة واسعة تعالج المعلومات باستخدام طاقة أقل بكثير، مما يجعلها بديلاً واعدًا للإلكترونيات المستهلكة للطاقة.

دوائر ماجنوينية قابلة للتوسع كحدود جديدة للذكاء الاصطناعي الفعّال في استهلاك الطاقة

تدفق الموجات الدوارة عبر دائرة نانوية توضح الشبكات الماجنوينية

بينما يمكن أن تُحدث الشبكات الماجنوينية القائمة على عوازل مغناطيسية ثورة في معالجة المعلومات بفضل كفاءتها في استهلاك الطاقة، فإن مكوّنات هذه الشبكات، أي موجهات الموجة الدوارة، تعاني من قدرات ضبط تشتت غير فعّالة وطول انتشار محدود للموجة الدوارة.

تم معالجة هذه القيود من قبل فريق العلماء من مونستر وهيدلبرغ.

نُشر البحث في مجلة Nature Materials⁷، وبيّن تطوير طريقة جديدة لإنشاء موجهات تسمح للموجات الدوارة بالانتشار لمسافات طويلة، مما أدى إلى بناء أكبر شبكة موجهات موجة دوارة حتى الآن.

لكن هذا ليس كل شيء. تمكن الفريق أيضًا من التحكم في خصائص الموجة الدوارة التي تم نقلها في الموجه. على سبيل المثال، استطاع العلماء تعديل الطول الموجي وانعكاس الموجة الدوارة بدقة عند واجهة معينة. وأشار البحث إلى:

“يمكن ضبط تشتت الموجهات بشكل مستمر بفضل الزرع الأيوني الدقيق والمحلي، مما يميزها عن الموجهات المحفورة تقليديًا.”

السبين الإلكتروني أو الزخم الزاوي الداخلي هو خاصية ميكانيكية كمية أساسية للإلكترونات، حيث يحدد محاذاة عدة سبينات الخصائص المغناطيسية. الآن، إذا تم تطبيق تيار متناوب على مادة مغناطيسية مع هوائي، ينتج حقل مغناطيسي متغيّر، ويمكن للسبينات في المادة توليد موجة دوارة.

الموجات الدوارة هي إثارة لمادة مغناطيسية، وتقدم إمكانات مثيرة لمعالجة المعلومات المتقدمة.

ما يجعلها جذابة حقًا هو خصائصها المميزة، مثل اللاتخطية القوية الطبيعية وعملها عالي السرعة ضمن نطاق التردد من الغيغاهرتز (GHz) إلى التيراهرتز (THz).

في الآونة الأخيرة، بدأ الباحثون في استغلال الموجات الدوارة في هياكل ومشبكات مغناطيسية نانوية لمعالجة الإشارات وتطبيقات الحوسبة. يمكن لهذه التقنية الناشئة أن تساعد في معالجة القيود المتأصلة في الميكروإلكترونيات التقليدية فيما يتعلق بكثافة الحوسبة والقدرة على المعالجة متعددة الأبعاد.

الأهم من ذلك، أن البصمة الطاقية المنخفضة لتقنية الموجة الدوارة تجعلها جذابة بشكل خاص.

تكمن فائدة التقنية في قدرتها على ترميز المعلومات داخل الطور، التردد، والسعة للموجات الدوارة. هذه الاستراتيجية، المشابهة للموجات الكهرومغناطيسية، تسمح بنطاق مرن من معالجة البيانات بالاستفادة من اعتماد خصائص الانتشار على هذه المعلمات.

تُستخدم الموجات الدوارة حاليًا لإنشاء مكوّنات فردية مختلفة. على سبيل المثال، تُعد البوابات المنطقية التي تُجري عمليات منطقية على مدخلات ثنائية لتنتج مخرجًا ثنائيًا واحدًا مثالًا على ذلك. وتُعد المضاعفات نوعًا آخر من الأجهزة التي تختار أحد عدة إشارات إدخال.

تشمل الأمثلة الأخرى التقاطعات، المقارنات، الذاكرات، البوابات الأغلبية، (إلغاء) المضاعفات، المتداخلات، المقسمات، ومحللات الطيف.

يمكن لجميع هذه الأجهزة إما أن تعمل بشكل مستقل كوحدات معالجة معلومات أو أن تُدمج في شبكات أكبر وأكثر تعقيدًا ذات وظائف متقدمة.

في شبكة كبيرة، تكون الروابط بين العناصر موجهات مخصصة للموجات الدوارة. هذه الموجهات مهمة لتقييد وتوجيه الموجات الدوارة من عنصر إلى آخر، وبالتالي تتطلب خسائر انتشار قليلة. وتعمل هذه الموجهات وتوليفاتها أيضًا كأجهزة موجة دوارة وظيفية.

ومع ذلك، لم تُربط المكوّنات لتشكيل دائرة أكبر حتى الآن.

“إن عدم تحقيق شبكات أكبر مثل تلك المستخدمة في الإلكترونيات يعود جزئيًا إلى التوهين القوي للموجات الدوارة في الموجهات التي تربط العناصر الفردية – خاصة إذا كانت أضيق من ميكرومتر وبالتالي على المستوى النانوي.”
– الأستاذ رودولف براشتسيتش

للتغلب على هذه المشكلة، استخدم الفريق المادة التي تمتلك أقل توهين حاليًا، وهي يترّيوم إيرون غارنيت (YIG). تتميز بأقل تخميد وأطول طول انتشار للموجات الدوارة، حيث تصل إلى مليمترات.

فيما يتعلق بإنشاء موجهات للموجات الدوارة، تُستخدم عادةً الأساليب الليثوغرافية. لإنشاء موجهات نانوية في YIG، تعتمد الطريقة المتقدمة على النقش بالأيونات التفاعلية للأفلام الرقيقة من YIG. ومع ذلك، حتى مع أفلام YIG عالية الجودة وعمليات النقش المتطورة، فإن أقصى طول انتشار تم الإبلاغ عنه هو 54 µm.

يُعد تطوير الهياكل الهجينة نهجًا ناشئًا آخر حيث تُدمج أفلام YIG مع أشرطة نانوية من معدن فائق المغنطيس لتحديد قنوات نقل موجة دوارة نانوية عبر الاقتران الثنائي القطب، مما يخلق أطوال انتشار تقارب ~20 µm.

ثم هناك زرع الأيونات، الذي استُخدم مؤخرًا لتعديل الموجات الدوارة في YIG. مكن كتابة شعاع الأيونات المركّزة من تعديل أفلام YIG بدقة على مقياس دون الميكرومتر.

استخدم العلماء فيلمًا تجاريًا سميكًا 110 nm من مادة YIG المغناطيسية، ثم نقشوا موجهات موجة دوارة فردية فيه باستخدام شعاع من أيونات السيليكون.

سمح عملية الزرع غير القابلة للقناع بإنشاء هياكل موجة دوارة مخصصة متعددة على ركيزة واحدة. والأهم من ذلك، يمكن توسيعها لتصنيع دوائر ماجنوينية متكاملة بحجم رقاقة.

صُنعت أيضًا هوائي شريط ذهبي دقيق باستخدام نقش حزمة إلكترونية لتوليد موجات دوارة بإشارة ميكروويف مستمرة. تم تطبيق حقل مغناطيسي ثابت في المستوى الأفقي H0 بقيمة μ0H0 = 50 mT لإطلاق موجات سطحية.

بهذه الطريقة، تمكنوا من إنتاج شبكة كبيرة تضم 198 عقدة، فاتحين الباب أمام دوائر ماجنوينية متكاملة على نطاق واسع. كما يتيح ذلك إنشاء هياكل معقدة عالية الجودة بشكل قابل للتكرار والمرونة.

علاوةً على ذلك، حقق الفريق طول انتشار للموجة الدوارة يزيد عن 100 µm، ومكّن نهجهم غير النحّاري من إنشاء شبكة مدمجة مكوّنة من 34 منفذ إدخال متوازي و34 مخرجًا. وأشار البحث إلى:

“تمهد هذه النتائج الطريق لتحقيق شبكات ماجنوينية متقدمة ذات تحكم لا مثيل له وآفاق مثيرة لتحقيق أنظمة حوسبة موجة دوارة واسعة النطاق منخفضة الفقد.”

الاستثمار في الذكاء الاصطناعي الفعّال

في عالم الذكاء الاصطناعي، NVIDIA Corporation (NVDA ) هي الرائدة الواضحة بفضل مسرعاتها ورقائقها للذكاء الاصطناعي. الشركة الأكبر في العالم من حيث القيمة السوقية التي تتجاوز 4 تريليون دولار، NVIDIA، تستثمر أيضًا في بنى معمارية موفرة للطاقة.

NVIDIA Corporation (NVDA )

توفر وحدات معالجة الرسومات من Nvidia تحسينات في الأداء لكل وات. وتعد بنية Blackwell، على وجه الخصوص، بتمكين الذكاء الاصطناعي التوليدي على نماذج لغة ضخمة (LLMs) ذات تريليون معلمة بأقل تكلفة واستهلاك طاقة يصل إلى 25 مرة مقارنةً ببنيتها السابقة Hopper.

قُدّمت بنية Blackwell، التي أسسها Jensen Huang، الرئيس التنفيذي، العام الماضي، على أنها مصممة لتكون “ذات أداء عالٍ وكفاءة طاقة عالية”.

تقدم Nvidia أيضًا أنظمة تبريد سائلة، NVIDIA GB200 NVL72 وNVIDIA GB300 NVL72، للتعامل مع مهام استدلال LLM المتطلبة، مع بنية مُحسّنة خصيصًا لدقة الأداء وتوسيع الاختبار.

تشارك العملاقة التقنية أيضًا في أبحاث وتطوير الذكاء الاصطناعي الطرفي من خلال منصة NVIDIA EGX™ التي تجمع بين الحوسبة القوية والإدارة عن بُعد والأنظمة والبرمجيات لجلب الذكاء الاصطناعي إلى الطرف. تم تصميم NVIDIA IGX Orin™ للبيئات الصناعية والطبية، بينما تُعد منصة NVIDIA Jetson™ حل الروبوتات الخاص بها.

مجال آخر للبحث في Nvidia هو الفوتونيات. في وقت سابق من هذا العام، أعلنت الشركة عن مفاتيح شبكات فوتونية سيليكونية مُعبأة معًا لربط ملايين وحدات معالجة الرسومات عبر المواقع مع تقليل استهلاك الطاقة وتكاليف التشغيل.

“من خلال دمج الفوتونيات السيليكونية مباشرةً في المفاتيح، تُحطم NVIDIA القيود القديمة للشبكات الضخمة والمؤسساتية وتفتح الباب أمام مصانع ذكاء اصطناعي بملايين وحدات معالجة الرسومات.”

– Huang

تستخدم التقنية الجديدة أشعة الليزر لنقل المعلومات عبر كابلات الألياف الضوئية بين الرقائق. من المتوقع أن تُطرح في وقت لاحق من هذا العام وحتى عام 2026.

بحثت الشركة أيضًا في توسيع استخدامها في رقاقة GPU الرئيسية، لكنها لا تملك خططًا فعلية حاليًا، حيث لا تزال الاتصالات النحاسية التقليدية “أكثر موثوقية بمرتبة أضعاف” من الاتصالات الضوئية المعبأة معًا.

عند الحديث عن أداء Nvidia في السوق، كان استثنائيًا. في أكتوبر 2022، كان سعر سهم NVDA أقل من 11 دولارًا، وهو الآن يتداول فوق 165 دولارًا. وبذلك، يمتلك ربحًا للسهم (EPS) (TTM) قدره 3.10 ومضاعف سعر إلى ربح (P/E) (TTM) يبلغ 53.12. وتقدم الشركة أيضًا عائدًا على الأرباح، رغم أنه 0.02٪ فقط.

فيما يتعلق بالماليات، أبلغت Nvidia عن إيرادات قدرها 44.1 مليار دولار للربع الأول من السنة المالية 2026، بزيادة 12٪ عن الربع الرابع، بينما بلغت إيرادات مراكز البيانات 39.1 مليار دولار، بزيادة 10٪ عن الربع السابق.

أشار هوانغ إلى أن الطلب على بنية الذكاء الاصطناعي التحتية للشركة “قوي للغاية”.

Latest NVIDIA Corporation (NVDA) Stock News and Developments

الخاتمة

مع استمرار العالم في تبني الذكاء الاصطناعي، الذي يعد بزيادة الكفاءة، وتعزيز الإنتاجية، وتحسين اتخاذ القرار، وتوفير تجارب شخصية، من المتوقع أن تبلغ قيمة سوق هذه التقنية القوية مليارات الدولارات في عام 2025.

لكن مع تزايد الطلب على الذكاء الاصطناعي المستهلك للطاقة، تزداد احتياجاته للطاقة، مما يعني ضغطًا على شبكات الطاقة وارتفاع انبعاثات الغازات الدفيئة.

من أجل تحقيق ذكاء اصطناعي فعّال حقًا، يلزم تنسيق الجهود في تطور كل من البرمجيات والأجهزة. في ظل هذا السياق، يمكن للابتكارات مثل التدريب الذكي للنماذج، النماذج الأصغر، الطلبات المختصرة، ضغط النماذج، الحوسبة العصبية، الذكاء الاصطناعي الطرفي، والفوتونيات أن تساعد في خلق مستقبل لا يتطلب توسعًا مع طلبات طاقة غير مستدامة.

هنا، قد يحدد أحدث اختراق في حوسبة الموجة الدوارة مستقبل الحوسبة منخفضة الطاقة وعالية الأداء، وربما يصبح أساسًا لهندسة الذكاء الاصطناعي الجيل القادم.

انقر هنا لتتعرف على كل ما يتعلق بالاستثمار في الذكاء الاصطناعي.

المراجع:

1. Xiao, C.; Liu, M.; Yao, K.; وآخرون. مُطلقات حرارية فائقة النطاق وعرضية الانتقائية باستخدام التعلم الآلي. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Kim, S.J.; Im, I.H.; Baek, J.H.; وآخرون. مصفوفات ميمريستور هاليد بيروكسيد ثنائي الأبعاد القابلة للبرمجة خطيًا للحوسبة العصبية. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; وآخرون. التكامل الضوئي ثلاثي الأبعاد لروابط بيانات بين الرقائق ذات طاقة منخفضة جدًا وعرض نطاق عالي. Nat. Photon. 2025, 19, 502–509. https://doi.org/10.1038/s41566-025-01633-0
4. Lv, Y.; Zink, B.R.; Bloom, R.P.; وآخرون. إظهار تجريبي لذاكرة عشوائية حاسوبية قائمة على وصلة نفق مغناطيسية. npj Unconv. Comput. 2024, 1, 3. https://doi.org/10.1038/s44335-024-00003-3
5. Tossoun, B.; Xiao, X.; Cheung, S.; Yuan, Y.; Peng, Y.; Srinivasan, S.; وآخرون. منصة جهاز فوتوني متكامل على نطاق واسع لتسريعات AI/ML ذات كفاءة طاقة عالية. IEEE J. Sel. Top. Quantum Electron. 2025, 31(3), Article 8200326. https://doi.org/10.1109/JSTQE.2025.3527904
6. Fu, T.; Zhang, J.; Sun, R.; وآخرون. الشبكات العصبية الضوئية: التقدم والتحديات. Light Sci. Appl. 2024, 13, 263. https://doi.org/10.1038/s41377-024-01590-3
7. Bensmann, J.; Schmidt, R.; Nikolaev, K.O.; وآخرون. موجهات موجة دوارة منخفضة الفقد وقابلة لضبط التشتت للشبكات الماجنوينية الكبيرة. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y