Spin‑bølge‑netværk: Det næste spring i effektiv AI‑beregning

Kunstig intelligens (AI) er ved at transformere den måde, vi lever på. Med sit potentiale til at revolutionere industrier forventes teknologien at generere billioner i værdi.

Fra sundhedspleje til uddannelse, transport, underholdning og finans har AI i høj grad forbedret effektivitet og nøjagtighed på tværs af sektorer. AI har også hjulpet med at forbedre energieffektiviteten. For eksempel har forskere fra hele verden samarbejdet om at skabe¹ en ny klasse af materiale ved hjælp af AI, som hjælper med at reducere energiforbruget.

Men hvad med de enorme energikrav fra AI selv? Den energikrævende AI udgør en stor udfordring. Med den hurtige stigning i AI‑applikationer øges efterspørgslen efter energi også dramatisk, hvilket belaster vores energiinfrastruktur.

Hver dag bliver maskinlæringsmodeller (ML) mere og mere komplekse. Og jo større og mere sofistikerede de bliver, desto højere er ressourcekravene til at træne og køre disse modeller. 

Træning af ML‑modeller kræver ikke kun beregningsressourcer, men også energi og vand til de datacentre, der huser den IT‑infrastruktur, der er nødvendig for at træne, implementere og levere AI‑applikationer og -tjenester.

Vijay Gadepally, seniorforsker ved MIT Lincoln Laboratory Supercomputing Center (LLSC), sagde følgende for et par år siden, da situationen stadig var under udvikling:

“Efterhånden som vi bevæger os fra tekst til video til billede, vokser disse AI‑modeller større og større, og deres energipåvirkning vokser også. Dette vil udvikle sig til en ret betydelig energiforbrug og en stigende bidragyder til emissioner over hele verden.”

Ifølge International Energy Agency (IEA) vil den globale el‑efterspørgsel fra datacentre dobles fra anslået 460 terawatt‑timer (TWh) i 2022 til 1.000 TWh i 2026, hvilket svarer omtrent til Japans elforbrug.

Allerede har elforbruget fra datacentre nået omkring 1,5% af den globale elforbrug.

En ny forskning udgivet af UNESCO og University College London (UCL) advarer om, at energikravene fra AI, især store sprogmodeller (LLM’er), har nået uholdbare niveauer, og for at ændre dette, “har vi brug for et paradigmeskifte i, hvordan vi bruger den.”

Ifølge deres rapport bliver generative AI‑værktøjer brugt af over 1 milliard mennesker dagligt, hvor hver interaktion forbruger omkring 0,34 watt‑timer energi pr. prompt. Den sagde:

“Dette svarer til 310 gigawatt‑timer om året, svarende til det årlige elforbrug for over 3 millioner mennesker i et lavindkomstafrikansk land.” 

I deres rapport foreslog teamet af dataloger tre nøgleinnovationer for at muliggøre betydelige energibesparelser. Dette inkluderer brug af mindre modeller, som er lige så smarte og præcise som store, men kan reducere energiforbruget med op til 90 %. Derudover findes kortere, mere præcise prompts og svar, som kan reducere energiforbruget med over 50 %, mens modelkomprimering kan spare op til 44 % i energi.

Gør AI mere effektiv med smartere software, grønnere hardware

Glødende AI‑chip indlejret i et grønt blad, der symboliserer energieffektiv AI

Det er ikke kun et stigende antal individer, der i stigende grad adopterer AI, men også flere og flere organisationer integrerer denne teknologi i deres forretning.

En undersøgelse fra IBM Institute for Business Value (IBV) afslørede, at flertallet (77 %) føler behov for hurtigt at bruge generativ AI for at holde trit med deres kunder. 

Gennem årene har flere andre teknologiske innovationer, såsom computing, rejst lignende bekymringer, som derefter blev adresseret gennem effektivitetsinnovationer. Det samme kan nu gøres med AI. Fra forskere til virksomheder arbejder alle i øjeblikket på at forstå dens påvirkning og finde løsninger til at afbøde dens negative virkninger.

Disse løsninger omfatter brug af ren og vedvarende energi samt mindre modeller og smartere modeltræning. 

For at tackle AI’s udfordringer med energieffektivitet fokuserer forskere på to fronter:

• Software‑innovationer
• Hardware‑forbedringer

Inden for hardware er power‑capping en løsning, der potentielt kan reducere energiforbruget med op til 15 %. Der findes også kulstof‑effektivt hardware, som “matcher en model med den mest kulstof‑effektive kombination af hardware,” ifølge MIT. 

På MIT Sustainability Conference i oktober foreslog Gadepally, som leder energibevidste forskningsindsatser ved LLSC, at revurdere AI‑modeltræning og investere i mere effektiv hardware. MIT Lincoln Laboratory har anvendt Gadepallys anbefalinger for at reducere sit eget datacenter‑aftryk.

Brug af mere beregningsmæssigt effektiv hardware og specialiserede hardware‑acceleratorer kan også bidrage til energibesparelser. Parallelisering, som reducerer algoritmens træningstid ved at distribuere beregning over flere processorkerner, og edge‑computing, som udfører beregning på de steder, hvor data indsamles eller bruges, er andre lovende hardware‑løsninger.

Forskere vender også mod den menneskelige hjerne, som har 100 milliarder neuroner og 100 trillioner synaptiske forbindelser, for at gøre maskiner bedre. 

Dette har ført til neuromorfisk computing, som i stedet for at stole på traditionelle von Neumann‑arkitekturer, anvender kunstige neuroner og synapser til at behandle information på en måde, der ligner hjernen, for at opnå større energieffektivitet og beregningskraft.

For eksempel udviklede forskere fra Seoul National University College of Engineering neuromorfe enheder baseret på hybride organisk‑inorganiske materialer.

Når man taler om den centrale del af deres forskning, bemærkede professor Ho Won Jang, at den “ligger i at demonstrere, at ensartet ionbevægelse over materialets overflade er vigtigere for udviklingen af højtydende neuromorf hardware end at skabe lokaliserede filamenter i halvledermaterialer.”

Lys er en anden måde, AI‑hardware forbedres på. I stedet for elektriske signaler bruger fotonisk computing lys og muliggør parallelle operationer med minimal varmetab. 

For blot få måneder siden udgav forskere fra Columbia Engineering en 3D fotonisk‑elektronisk platform, der opnår stor energieffektivitet og båndbredde‑densitet. Til dette integrerede de fotonik med avancerede CMOS‑elektronikkredsløb. Den 3D‑integrerede fotonisk‑elektroniske chip leverer høj båndbredde (800 Gb/s) mens den kun forbruger 120 femtojoule pr. bit. Dens båndbredde‑densitet på 5,3 Tb/s/mm² overgår også eksisterende benchmarks.

Sidste sommer viste forskere fra University of Minnesota College of Science and Engineering imidlertid en ny teknologi kaldet computational random-access memory (CRAM), som potentielt kan reducere AI‑energiforbruget med 1.000 gange.

Med silikone‑fotonik, der dukker op som en disruptiv teknologi for næste generations accelerators til ML, har forskere fra Hewlett‑Packard Labs introduceret en energieffektiv og skalerbar silikone‑fotonisk platform, der skal fungere som det underliggende grundlag for AI‑accelerator‑hardware.

Fotoniske AI‑acceleratorer, i modsætning til traditionelle, som er afhængige af elektronisk distribuerede neurale netværk (DNN’er), bruger optiske neurale netværk (ONN’er), som tilbyder høj parallelisme, ekstremt lav latenstid og minimal varmetab.

Selvom de er nemme at fremstille, er silikone‑fotonik svære at skalere; derfor platformen. Den fremstilles ved brug af silikone‑fotonik sammen med III‑V‑kompoundsemikonduktorer (som InP eller GaAs).

Nu er der en ny metode, der kan gøre AI mere effektiv, og det er ved at muliggøre store spin‑bølgeguide‑netværk til at håndtere behandling af avanceret information. Spin‑bølger er en lovende løsning til informationsbehandling.

Dette gennembrud i AI‑hardware‑effektivitet er opnået af et team af tyske forskere fra universiteterne i Münster og Heidelberg.

Ledet af Rudolf Bratschitsch, professor i fysik ved Münster, har teamet skabt et omfattende spin‑bølgeguide‑netværk, der behandler information med betydeligt mindre energi, hvilket gør det til et lovende alternativ til energikrævende elektronik.

Skalerbare magnoniske kredsløb som den nye grænse for energieffektiv AI

Spin‑bølger, der flyder gennem et nanoskalakredsløb, der illustrerer magnoniske netværk

Selvom magnoniske netværk baseret på magnetiske isolatorer kan revolutionere informationsbehandling på grund af deres energieffektivitet, lider byggestenene i disse netværk, dvs. spin‑bølge‑waveguides, af ineffektive dispersion‑tune‑muligheder og begrænsede spin‑bølge‑propageringslængder.

Disse begrænsninger er blevet adresseret af teamet af forskere fra Münster og Heidelberg.

Publiceret i det videnskabelige tidsskrift Nature Materials⁷ detaljerede studiet udviklingen af en ny metode til at skabe waveguides, hvor spin‑bølger kan propagere meget langt, og dermed bygge det hidtil største spin‑bølgeguide‑netværk.

Men det er ikke alt. Teamet var også i stand til at kontrollere egenskaberne for den spin‑bølge, der blev transmitteret i waveguiden. For eksempel kunne forskerne præcist ændre bølgelængden og refleksionen af spin‑bølgen ved en bestemt grænseflade. Studiet bemærkede:

“Dispersionen af waveguides kan kontinuerligt tunes på grund af den præcise og lokaliserede ionimplantation, hvilket adskiller dem fra almindeligt ætset waveguides.” 

Elektronspin eller intrinsisk vinkelmoment er en grundlæggende kvantemekanisk egenskab ved elektroner, hvor justeringen af flere spins bestemmer de magnetiske egenskaber. Hvis en vekselstrøm påføres et magnetisk materiale med en antenne, produceres et skiftende magnetisk felt, og spinsene i materialet kan generere en spin‑bølge.

Spin‑bølger er excitationer i et magnetisk materiale, og de giver spændende muligheder for avanceret informationsbehandling.

Det, der virkelig gør dem attraktive, er deres særlige egenskaber, såsom en naturlig stærk ikke‑linearitet og højhastighedsdrift inden for frekvensbåndet fra gigahertz (GHz) til terahertz (THz).

I de senere år er forskere begyndt at anvende spin‑bølger i nanoskalamagnetiske strukturer og netværk til signalbehandling og beregningsapplikationer. Denne nye teknologi kan hjælpe med at løse begrænsninger, der er indbygget i traditionel halvleder‑mikroelektronik med hensyn til beregningsdensitet og høj‑dimensionel behandlingskapacitet.

Endnu vigtigere er det lave energifodaftryk ved spin‑bølgeteknologi, som er særligt tiltalende.

Teknologiens nytte ligger i dens evne til at kode information i fase, frekvens og amplitude af spin‑bølger. Denne strategi, ligesom elektromagnetiske bølger, muliggør et fleksibelt spektrum af databehandling ved at udnytte afhængigheden af udbredelsesegenskaberne af disse parametre.

Spin‑bølger bruges i øjeblikket til at skabe forskellige individuelle komponenter. Logiske porte, der udfører logiske operationer på binære input for at producere et enkelt binært output, er et eksempel. Multiplexere er en anden type enhed, der vælger et af flere input‑signaler.

Andre eksempler inkluderer krydsninger, koblere, hukommelser, majoritetsporte, (de‑)multiplexere, interferometre, splittere og spektrumanalysatorer.

Alle disse enheder kan enten fungere uafhængigt som informationsbehandlingsenheder eller integreres i større, komplekse netværk med avancerede funktioner.

I et stort netværk er forbindelserne mellem elementerne tilpassede waveguides til spin‑bølger. Disse waveguides er vigtige for at indeholde såvel som lede spin‑bølger fra ét element til et andet og kræver derfor minimale udbredelsestab. Sådanne waveguides og deres kombinationer fungerer også som funktionelle spin‑bølge‑enheder.

Komponenterne er dog først nu blevet forbundet til at danne et større kredsløb.

“Faktum er, at større netværk som dem, der bruges i elektronik, endnu ikke er blevet realiseret, delvist på grund af den stærke dæmpning af spin‑bølger i waveguides, der forbinder de enkelte switch‑elementer – især hvis de er smallere end en mikrometer og dermed på nanoskalaen.”
– Fysiker professor Bratschitsch

Så det, teamet gjorde for at overvinde dette problem, var at de brugte det materiale, der i øjeblikket har den laveste dæmpning, nemlig yttrium‑jern‑garnet (YIG). Det har den laveste dæmpning og den længste udbredelseslængde for spin‑bølger, der når millimeter.

Med hensyn til realisering af waveguides for spin‑bølger anvendes normalt litografiske tilgange. For at skabe nanoskalawaveguides i YIG er den avancerede fremstillingsmetode baseret på reaktiv ion‑etsning af tynde YIG‑film. Men selv med YIG‑film af høj kvalitet og topmoderne etsning er den maksimale rapporterede udbredelseslængde kun 54 µm.

Udvikling af hybride strukturer er en anden fremvoksende tilgang, hvor YIG‑film kombineres med nanostrimler af ferromagnetisk metal for at definere nanoskopiske spin‑bølge‑transportkanaler gennem dipolær kobling, hvilket skaber spin‑bølge‑propageringslængder på ca. 20 µm.

Derefter er der ionimplantation, som for nylig blev brugt til at manipulere spin‑bølger i YIG. Fokus­eret ion‑beam‑skrivning har gjort det muligt at modificere YIG‑film præcist på en sub‑mikrometer‑skala.

Så brugte forskerne en kommercielt tilgængelig 110 nm tyk film af det magnetiske materiale YIG og indskrev derefter individuelle spin‑bølge‑waveguides i den ved hjælp af en stråle af silicium‑ioner.

Den maskeløse implantationsproces tillod oprettelsen af flere skræddersyede spin‑bølge‑strukturer på én substrat. Men vigtigere er, at den kan skaleres op til at fremstille wafer‑størrelse magnoniske integrerede kredsløb.

En guld‑mikrostrip‑antenne blev også fremstillet med elektron‑beam‑litografi for at excitere spin‑bølger med et kontinuerligt mikrobølgesignal. Et eksternt statisk in‑plane magnetisk felt H0 på μ0H0 = 50 mT blev anvendt for at starte overflademodus‑spin‑bølger.

På denne måde var de i stand til at producere et stort netværk med 198 noder, hvilket åbner døren til storskala magnoniske integrerede kredsløb. Det muliggør også, at komplekse strukturer af høj kvalitet kan skabes reproducerbart og fleksibelt.

Desuden opnåede teamet en spin‑bølge‑propageringslængde på over 100 µm, og deres ets‑fri tilgang tillod dem at have et integreret spin‑bølge‑netværk bestående af 34 parallelle input‑porte og 34 output‑porte. Studiet udtalte:

“Disse resultater baner vejen for realiseringen af avancerede magnoniske netværk med enestående kontrol og spændende muligheder for at skabe lav‑tab store‑skala spin‑bølge‑beregningssystemer.” 

Investering i effektiv AI

I verden af kunstig intelligens er NVIDIA Corporation (NVDA ) den klare leder med sine AI‑acceleratorer og chips. Verdens største virksomhed målt på markedsværdi på over 4 billioner dollars, NVIDIA, har også investeret i energieffektive arkitekturer.

NVIDIA Corporation (NVDA )

Nvidias GPU’er giver forbedringer i ydeevne pr. watt. Især Blackwell‑arkitekturen lover generativ AI på trillion‑parameter LLM’er med op til 25‑gange lavere omkostninger og energiforbrug end den tidligere Hopper‑arkitektur.

Blackwell, grundlagt af Jensen Huang, CEO’en, sagde sidste år, er designet til at være “meget præstationsstærk og meget energieffektiv.”

Nvidia tilbyder også væskekølingssystemer, NVIDIA GB200 NVL72 og NVIDIA GB300 NVL72, til at håndtere de krævende opgaver ved LLM‑inference med deres arkitektur, som er specifikt optimeret til nøjagtighed og ydeevne ved test‑tidsskalerings.

Tech‑giganten er også involveret i edge‑AI‑forskning og -udvikling med sin NVIDIA EGX™‑platform, som kombinerer kraftfuld computing, fjernstyring samt systemer og software for at bringe AI til kanten. NVIDIA IGX Orin™ er designet til industrielle og medicinske miljøer, mens NVIDIA Jetson™‑platformen er deres robotikløsning.

Et andet forskningsområde hos Nvidia er fotonik. Tidligere i år annoncerede virksomheden sine nye co‑packaged silikone‑fotoniske netværksswitche for at forbinde millioner af GPU’er på tværs af lokationer, samtidig med at energiforbruget og driftsomkostningerne reduceres.

“Ved at integrere silikone‑fotonik direkte i switchene, bryder NVIDIA de gamle begrænsninger for hyperskala‑ og virksomhedsnetværk og åbner døren til million‑GPU‑AI‑fabrikker.”

– Huang

Den nye teknologi bruger laserstråler til at sende information på fiberoptiske kabler mellem chips. Den vil blive lanceret senere i år og ind i 2026.

Virksomheden har også undersøgt at anvende den bredere i sine flagskibs‑GPU‑chips, men har i øjeblikket ingen planer om at gøre det endnu, da traditionelle kobberforbindelser stadig er “ordener af størrelsesorden” mere pålidelige end co‑packaged optiske forbindelser.

Når det gælder Nvidias markedspræstation, har den været intet mindre end ekstraordinær. I okt. 2022 faldt NVDA‑aktierne under $11 og handles nu over $165. Med dette har den en EPS (TTM) på 3,10 og en P/E (TTM) på 53,12. Virksomheden tilbyder endda et udbytteafkast, men kun 0,02 %.

Hvad angår finanserne, rapporterede Nvidia for første kvartal af regnskabsåret 2026 en omsætning på $44,1 milliarder, en stigning på 12 % fra Q4, mens datacenter‑omsætningen udgjorde $39,1 milliarder, en stigning på 10 % fra forrige kvartal.

Efterspørgslen efter virksomhedens AI‑infrastruktur, bemærkede Huang, er “utroligt stærk.”

Seneste NVIDIA Corporation (NVDA) aktienyheder og udviklinger

Konklusion

Efterhånden som verden fortsætter med at adoptere AI, som lover øget effektivitet, forbedret produktivitet, bedre beslutningstagning og personlige oplevelser, forventes markedet for denne kraftfulde teknologi at være værd flere milliarder dollars i 2025.

Men efterhånden som efterspørgslen på energikrævende AI vokser, vokser også dens energibehov, hvilket betyder belastning på energinet og stigende drivhusgasemissioner.

For at opnå virkelig effektiv AI kræves koordinerede indsatser i udviklingen af både software og hardware. På dette baggrund kan innovationer som smartere modeltræning, mindre modeller, præcise prompts, modelkomprimering, neuromorfisk computing, edge‑AI og fotonik hjælpe med at skabe en fremtid, hvor skala ikke behøver at medføre uholdbare energikrav.

Her kan det seneste gennembrud inden for spin‑bølge‑computing definere fremtiden for lav‑strøm‑, høj‑præstations‑computing og potentielt blive grundlæggende for næste generations AI‑arkitekturer.

Klik her for at lære alt om investering i kunstig intelligens.

Referencer:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabredbånds- og båndselektive termiske meta‑udsendere ved maskinlæring. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Kim, S.J.; Im, I.H.; Baek, J.H.; et al. Lineært programmerbare todimensionale halid‑perovskit‑memristor‑arrays til neuromorfisk computing. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Tredimensionel fotonisk integration til ultra‑lav‑energi, høj‑båndbredde interchip‑datakoblinger. Nat. Photon. 2025, 19, 502–509. https://doi.org/10.1038/s41566-025-01633-0
4. Lv, Y.; Zink, B.R.; Bloom, R.P.; et al. Eksperimentel demonstration af magnetisk tunnel‑junction‑baseret beregnings‑random‑access‑memory. 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.; et al. Storskala integreret fotonisk enhedsplatform til energieffektive AI/ML‑acceleratorer. 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.; et al. Optiske neurale netværk: Fremskridt og udfordringer. Light Sci. Appl. 2024, 13, 263. https://doi.org/10.1038/s41377-024-01590-3
7. Bensmann, J.; Schmidt, R.; Nikolaev, K.O.; et al. Dispersion‑tune‑bare lav‑tab implantaterede spin‑bølge‑waveguides til store magnoniske netværk. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y