Spin-Wave-Netzwerke: Der nächste Sprung in effizienter KI-Computing

Künstliche Intelligenz (KI) ist dabei, die Art und Weise, wie wir leben, zu verändern. Mit ihrem Potenzial, Branchen zu revolutionieren, wird erwartet, dass die Technologie voraussichtlich Billionen an Wert generieren wird.

Von Gesundheitswesen über Bildung, Verkehr, Unterhaltung und Finanzen hat KI die Effizienz und Genauigkeit in allen Sektoren stark verbessert. KI trägt auch zur Verbesserung der Energieeffizienz bei. Beispielsweise haben Wissenschaftler aus aller Welt zusammengearbeitet, um eine neue Materialklasse¹ mit KI zu entwickeln, die hilft, Energiekosten zu senken.

Aber was ist mit dem enormen Energiebedarf der KI selbst? Die energieintensive KI stellt eine große Herausforderung dar. Mit dem raschen Anstieg von KI‑Anwendungen steigt auch der Energiebedarf dramatisch, was wiederum unsere Energieinfrastruktur belastet.

Jeden Tag werden Machine‑Learning‑Modelle (ML) immer komplexer. Je größer und ausgefeilter sie werden, desto höher sind die Ressourcen, die zum Trainieren und Ausführen dieser Modelle benötigt werden. 

Das Training von ML‑Modellen erfordert nicht nur Rechenressourcen, sondern auch Energie und Wasser für die Rechenzentren, die die IT‑Infrastruktur beherbergen, die zum Trainieren, Bereitstellen und Bereitstellen von KI‑Anwendungen und -Diensten nötig ist.

Vijay Gadepally, ein leitender Wissenschaftler am MIT Lincoln Laboratory Supercomputing Center (LLSC), hatte vor ein paar Jahren Folgendes gesagt, als die Situation noch in der Entwicklung war:

„Während wir von Text zu Video zu Bild übergehen, werden diese KI‑Modelle immer größer, und ihr Energie‑Impact wächst ebenfalls. Das wird zu einem ziemlich beträchtlichen Energieverbrauch führen und zu einem wachsenden Beitrag zu den Emissionen weltweit.”

Wie die Internationale Energieagentur (IEA) prognostiziert, wird der globale Stromverbrauch von Rechenzentren verdoppeln von geschätzten 460 Terawattstunden (TWh) im Jahr 2022 auf 1.000 TWh im Jahr 2026, was ungefähr dem Stromverbrauch Japans entspricht.

Bereits jetzt hat der Stromverbrauch von Rechenzentren etwa 1,5 % des globalen Stromverbrauchs erreicht.

Eine neue Forschung, veröffentlicht von UNESCO und University College London (UCL), warnt, dass die Energienachfrage von KI, insbesondere großen Sprachmodellen (LLMs), ein nicht nachhaltiges Niveau erreicht hat, und um dies zu ändern, “brauchen wir einen Paradigmenwechsel in der Art und Weise, wie wir sie nutzen.”

Laut ihrem Bericht werden Generative‑KI‑Tools von über einer Milliarde Menschen täglich genutzt, wobei jede Interaktion etwa 0,34 Wattstunden Energie pro Prompt verbraucht. Der Bericht sagt:

„Das summiert sich auf 310 Gigawattstunden pro Jahr, was dem jährlichen Stromverbrauch von über 3 Millionen Menschen in einem einkommensschwachen afrikanischen Land entspricht.“ 

In ihrem Bericht schlug das Team von Informatikern drei zentrale Innovationen vor, um erhebliche Energieeinsparungen zu ermöglichen. Dazu gehört die Nutzung kleinerer Modelle, die genauso intelligent und genau sind wie große, aber den Energieverbrauch um bis zu 90 % senken können. Dann gibt es kürzere, prägnantere Prompts und Antworten, die den Energieverbrauch um über 50 % reduzieren, während Modellkompression bis zu 44 % Energie einsparen kann.

KI effizienter machen mit intelligenter Software, grünerer Hardware

Glühender KI‑Chip, eingebettet in ein grünes Blatt, symbolisiert energieeffiziente KI

Nicht nur eine wachsende Zahl von Einzelpersonen adoptieren KI zunehmend, sondern immer mehr Organisationen integrieren diese Technologie in ihr Geschäft.

Eine Studie des IBM Institute for Business Value (IBV) ergab, dass die Mehrheit (77 %) das Bedürfnis sieht, generative KI schnell zu nutzen, um mit ihren Kunden Schritt zu halten. 

Im Laufe der Jahre haben mehrere andere technologische Innovationen, wie Computing, ähnliche Bedenken aufgeworfen, die dann durch Effizienz‑Innovationen adressiert wurden. Das gleiche kann jetzt mit KI getan werden. Von Forschern bis zu Unternehmen arbeitet derzeit jeder daran, die Auswirkungen zu verstehen und Lösungen zu finden, um die negativen Effekte zu mindern.

Diese Lösungen umfassen die Nutzung sauberer und erneuerbarer Energie sowie kleinere Modelle und intelligenteres Modell‑Training. 

Um die Energieeffizienz‑Herausforderungen von KI anzugehen, konzentrieren sich Forscher auf zwei Fronten:

• Software‑Innovationen
• Hardware‑Verbesserungen

Im Hardware‑Bereich ist Power‑Capping eine Lösung, die den Energieverbrauch potenziell um bis zu 15 % senken kann. Es gibt außerdem carbon‑effiziente Hardware, die „ein Modell mit dem kohlenstoffeffizientesten Mix aus Hardware kombiniert“, laut MIT. 

Auf der MIT Sustainability Conference im Oktober schlug Gadepally, der die energie‑bewussten Forschungsbemühungen am LLSC leitet, vor, das Training von KI‑Modellen neu zu überdenken und in effizientere Hardware zu investieren. Das MIT Lincoln Laboratory setzt Gadepallys Empfehlungen bereits um, um den eigenen Rechenzentrums‑Fußabdruck zu reduzieren.

Der Einsatz von rechnerisch effizienterer Hardware und spezialisierter Hardware‑Beschleuniger kann ebenfalls zu Energieeinsparungen beitragen. Parallelisierung, die die Trainingszeit eines Algorithmus reduziert, indem die Berechnung auf mehrere Verarbeitungskerne verteilt wird, und Edge‑Computing, das die Berechnung dort ausführt, wo die Daten erhoben oder genutzt werden, sind weitere vielversprechende Hardware‑Lösungen.

Wissenschaftler wenden sich auch dem menschlichen Gehirn zu, das 100 Milliarden Neuronen und 100 Billionen synaptische Verbindungen besitzt, um Maschinen zu verbessern. 

Dies hat zur neuromorphen Berechnung geführt, die statt traditioneller von‑Neumann‑Architekturen künstliche Neuronen und Synapsen nutzt, um Informationen ähnlich dem Gehirn zu verarbeiten und dabei größere Energieeffizienz und Rechenleistung zu erreichen.

Zum Beispiel entwickelten Forscher der Seoul National University College of Engineering neuromorphe Geräte² auf Basis hybrider organisch‑anorganischer Materialien.

Zum zentralen Teil ihrer Forschung bemerkte Professor Ho Won Jang, dass es “darauf ankommt, zu zeigen, dass eine gleichmäßige Ionenbewegung über die Materialoberfläche wichtiger für die Entwicklung leistungsfähiger neuromorpher Hardware ist als die Erzeugung lokalisierter Filamente in Halbleiter‑Materialien.”

Licht ist ein weiterer Weg, KI‑Hardware zu verbessern. Anstelle elektrischer Signale nutzt die photonische Berechnung Licht und ermöglicht parallele Operationen mit minimalem Wärmeverlust. 

Erst vor ein paar Monaten veröffentlichten Forscher von Columbia Engineering eine 3D‑photonisch‑elektronische Plattform³, die große Energieeffizienz und Bandbreitendichte erreicht. Dafür integrierten sie Photonik mit fortschrittlichen CMOS‑Elektronik‑Schaltungen. Der 3D‑integrierte photonisch‑elektronische Chip liefert hohe Bandbreite (800 Gb/s) bei einem Verbrauch von nur 120 Femtojoule pro Bit. Eres 5,3 Tb/s/mm² Bandbreitendichte übertrifft ebenfalls bestehende Benchmarks.

Letzten Sommer zeigten Forscher des University of Minnesota College of Science and Engineering eine neue Technologie⁴ namens Computational Random‑Access Memory (CRAM), die den KI‑Energieverbrauch potenziell um das 1.000‑fache reduzieren könnte.

Mit Silizium‑Photonik, die als disruptive Technologie für nächste‑Generation‑Beschleuniger für ML gilt, haben Forscher von Hewlett‑Packard Labs eine⁵ energieeffiziente und skalierbare Silizium‑Photonik‑Plattform vorgestellt, die als Grundlage für KI‑Beschleuniger‑Hardware dienen soll.

Photonische KI‑Beschleuniger, im Gegensatz zu traditionellen, die auf elektronischen verteilten neuronalen Netzen (DNNs) basieren, nutzen optische neuronale Netze⁶ (ONNs), die hohe Parallelität, extrem niedrige Latenz und minimalen Wärmeverlust bieten.

Obwohl leicht herzustellen, Silizium‑Photonik schwer zu skalieren ist; daher die Plattform. Sie wird mit Silizium‑Photonik zusammen mit III‑V‑Verbundhalbleitern (wie InP oder GaAs) gefertigt.

Jetzt gibt es eine neue Methode, KI effizienter zu machen, und das geschieht durch die Ermöglichung großer Spin‑Wellen‑Leitungsnetzwerke, die die Verarbeitung fortgeschrittener Informationen übernehmen. Spin‑Wellen sind eine vielversprechende Lösung zur Informationsverarbeitung.

Dieser Durchbruch in der KI‑Hardware‑Effizienz wurde von einem Team deutscher Wissenschaftler der Universitäten Münster und Heidelberg erzielt.

Unter der Leitung von Rudolf Bratschitsch, Physik‑Professor in Münster, hat das Team ein umfangreiches Spin‑Wellen‑Leitungsnetzwerk geschaffen, das Informationen mit deutlich weniger Energie verarbeitet und damit eine vielversprechende Alternative zu energieintensiver Elektronik darstellt.

Skalierbare Magnonische Schaltkreise als neue Grenze für energieeffiziente KI

Spin‑Wellen, die durch einen nanoskaligen Schaltkreis fließen und magnonische Netzwerke veranschaulichen

Während magnonische Netzwerke, die auf magnetischen Isolatoren basieren, die Informationsverarbeitung dank ihrer Energieeffizienz revolutionieren können, leiden die Bausteine dieser Netzwerke, d. h. Spin‑Wellen‑Leitungen, unter ineffizienten Dispersion‑Tuning‑Möglichkeiten und begrenzten Spin‑Wellen‑Ausbreitungslängen.

Diese Einschränkungen wurden vom Team der Wissenschaftler aus Münster und Heidelberg adressiert. 

Veröffentlicht in der Fachzeitschrift Nature Materials⁷, detaillierte die Studie die Entwicklung einer neuen Methode zur Herstellung von Leitungen, in denen die Spin‑Wellen sehr weit propagieren können, wodurch das bislang größte Spin‑Wellen‑Leitungsnetzwerk gebaut wurde. 

Aber das ist noch nicht alles. Das Team konnte auch die Eigenschaften der im Leitungsnetzwerk übertragenen Spin‑Welle steuern. Zum Beispiel konnten die Wissenschaftler die Wellenlänge und Reflexion der Spin‑Welle an einer bestimmten Schnittstelle präzise ändern. Die Studie stellte fest:

„Die Dispersion der Leitungen kann kontinuierlich abgestimmt werden dank der präzisen und lokalisierten Ionenimplantation, was sie von herkömmlichen geätzten Leitungen unterscheidet.” 

Der Elektronenspin oder das intrinsische Drehmoment ist eine fundamentale quantenmechanische Eigenschaft von Elektronen, bei der die Ausrichtung mehrerer Spins die magnetischen Eigenschaften bestimmt. Wird nun ein Wechselstrom auf ein magnetisches Material mit einer Antenne angewendet, entsteht ein wechselndes Magnetfeld, und die Spins im Material können eine Spin‑Welle erzeugen.

Spin‑Wellen sind Anregungen eines magnetischen Materials, und sie bieten spannende Möglichkeiten für fortgeschrittene Informationsverarbeitung. 

Was sie besonders attraktiv macht, sind ihre charakteristischen Eigenschaften, wie eine natürliche starke Nichtlinearität und Hochgeschwindigkeitsbetrieb im Frequenzbereich von Gigahertz (GHz) bis Terahertz (THz).

In jüngster Zeit haben Forscher begonnen, Spin‑Wellen in nanoskaligen magnetischen Strukturen und Netzwerken für Signalverarbeitung und Rechenanwendungen zu nutzen. Diese aufkommende Technologie kann helfen, die Beschränkungen traditioneller Halbleiter‑Mikroelektronik hinsichtlich Rechendichte und hochdimensionaler Verarbeitungskapazität zu überwinden.

Wesentlich ist zudem der niedrige Energie‑Fußabdruck der Spin‑Wellen‑Technologie, der besonders ansprechend ist. 

Der Nutzen der Technologie liegt in ihrer Fähigkeit, Informationen in Phase, Frequenz und Amplitude von Spin‑Wellen zu kodieren. Diese Strategie, ähnlich wie bei elektromagnetischen Wellen, ermöglicht ein flexibles Spektrum der Datenverarbeitung, indem sie die Abhängigkeit der Ausbreitungsparameter von diesen Parametern ausnutzt.

Spin‑Wellen werden derzeit verwendet, um verschiedene einzelne Komponenten zu erstellen. Logikgatter, die logische Operationen auf binäre Eingaben ausführen, um eine einzelne binäre Ausgabe zu erzeugen, sind ein Beispiel. Multiplexer sind ein weiterer Gerätetyp, der einen von mehreren Eingangssignalen auswählt. 

Weitere Beispiele umfassen Kreuzungen, Koppler, Speicher, Mehrheitsgatter, (De‑)Multiplexer, Interferometer, Splitter und Spektrumanalysatoren. 

All diese Geräte können entweder eigenständig als Informationseinheiten arbeiten oder in größere, komplexe Netzwerke mit erweiterten Funktionalitäten integriert werden.

In einem großen Netzwerk sind die Verbindungen zwischen Elementen maßgeschneiderte Leitungen für Spin‑Wellen. Diese Leitungen sind wichtig, um Spin‑Wellen zu bündeln und von einem Element zum anderen zu führen und, dadurch benötigen sie minimale Ausbreitungsverluste. Solche Leitungen und ihre Kombinationen dienen zudem als funktionale Spin‑Wellen‑Geräte.

Die Komponenten wurden jedoch bislang nicht zu einem größeren Schaltkreis verbunden.

„Die Tatsache, dass größere Netzwerke wie in der Elektronik noch nicht realisiert wurden, liegt zum Teil an der starken Dämpfung der Spin‑Wellen in den Leitungen, die die einzelnen Schaltelemente verbinden – insbesondere wenn sie schmaler als ein Mikrometer und damit nanoskalig sind.“

– Physik‑Professor Bratschitsch

„Die Tatsache, dass größere Netzwerke wie in der Elektronik noch nicht realisiert wurden, liegt zum Teil an der starken Dämpfung der Spin‑Wellen in den Leitungen, die die einzelnen Schaltelemente verbinden – insbesondere wenn sie schmaler als ein Mikrometer und damit nanoskalig sind.“

Also nutzte das Team das Material mit der derzeit niedrigsten Dämpfung, nämlich Yttrium‑Eisen‑Garnet (YIG). Es hat die geringste Dämpfung und die längste Ausbreitungslänge von Spin‑Wellen, die Millimeter erreicht. 

Zur Realisierung von Leitungen für Spin‑Wellen werden üblicherweise lithografische Verfahren verwendet. Um nanoskalige Leitungen in YIG zu erzeugen, basiert der fortschrittliche Fertigungsansatz auf der reaktiven Ionenätzung dünner YIG‑Filme. Selbst bei hochwertigen YIG‑Filmen und modernsten Ätzprozessen beträgt die maximal gemeldete Ausbreitungslänge 54 µm.

Die Entwicklung hybrider Strukturen ist ein weiterer aufkommender Ansatz, bei dem YIG‑Filme mit Nanostreifen aus ferromagnetischem Metall kombiniert werden, um nanoskale Spin‑Wellen‑Transportkanäle durch dipolare Kopplung zu definieren, was Spin‑Wellen‑Ausbreitungslängen von ~20 µm erzeugt.

Dann gibt es die Ionenimplantation, die kürzlich verwendet wurde, um Spin‑Wellen in YIG zu manipulieren. Fokus‑Ionen‑Strahl‑Schreiben ermöglichte die präzise Modifikation von YIG‑Filmen im Sub‑Mikrometer‑Maßstab.

Die Wissenschaftler nutzten also einen handelsüblichen 110 nm dicken Film des magnetischen Materials YIG und schrieben dann einzelne Spin‑Wellen‑Leitungen mit einem Silizium‑Ionen‑Strahl ein. 

Der maskenlose Implantationsprozess ermöglichte die Erstellung mehrerer maßgeschneiderter Spin‑Wellen‑Strukturen auf einem Substrat. Noch wichtiger: Er lässt sich skalieren, um wafer‑große magnonische integrierte Schaltkreise zu fertigen. 

Eine Gold‑Mikrostreifen‑Antenne wurde ebenfalls mittels Elektronenstrahl‑Lithografie gefertigt, um Spin‑Wellen mit einem kontinuierlichen Mikrowellensignal zu erzeugen. Ein externes statisches In‑Plane‑Magnetfeld H0 von μ0H0 = 50 mT wurde angelegt, um Oberflächen‑Modus‑Spin‑Wellen zu starten.

Auf diese Weise konnten sie ein großes Netzwerk mit 198 Knoten erzeugen, was den Weg zu großflächigen magnonischen integrierten Schaltkreisen öffnet. Es ermöglicht zudem die Erstellung komplexer Strukturen hoher Qualität, die reproduzierbar und flexibel hergestellt werden können.

Darüber hinaus erreichte das Team eine Spin‑Wellen‑Ausbreitungslänge von über 100 µm, und ihr ätzfreier Ansatz ermöglichte ein integriertes Spin‑Wellen‑Netzwerk mit 34 parallelen Eingangs‑ und 34 Ausgangsports. Die Studie stellte fest:

„Diese Ergebnisse ebnen den Weg zur Realisierung fortschrittlicher magnonischer Netzwerke mit beispielloser Kontrolle und eröffnen spannende Möglichkeiten für die Realisierung verlustarmer großflächiger Spin‑Wellen‑Computingsysteme.“ 

Investition in effiziente KI

In der Welt der künstlichen Intelligenz ist NVIDIA Corporation (NVDA )
der klare Spitzenreiter mit seinen KI‑Beschleunigern und Chips. Das weltweit größte Unternehmen nach Marktkapitalisierung von über 4 Billionen $, NVIDIA, investiert ebenfalls in energieeffiziente Architekturen.

NVIDIA Corporation (NVDA )

Nvidias GPUs bieten Verbesserungen beim Leistungs‑pro‑Watt‑Verhältnis. Besonders die Blackwell‑Architektur verspricht generative KI auf Billion‑Parameter‑LLMs mit bis zu 25‑fach geringeren Kosten und Energieverbrauch im Vergleich zur vorherigen Hopper‑Architektur.

Blackwell, gegründet von Jensen Huang, dem CEO, sagte im letzten Jahr, sei sie darauf ausgelegt, „sehr leistungsfähig und sehr energieeffizient“ zu sein.

Nvidia bietet zudem Flüssigkühlungssysteme, den NVIDIA GB200 NVL72 und den NVIDIA GB300 NVL72, um die anspruchsvollen Aufgaben der LLM‑Inference mit ihrer speziell für Test‑Time‑Scaling‑Genauigkeit und Performance optimierten Architektur zu bewältigen.

Der Technologieriese ist außerdem im Edge‑AI‑Forschungs‑ und Entwicklungsbereich mit seiner NVIDIA EGX™‑Plattform aktiv, die leistungsstarke Berechnung, Fernverwaltung sowie Systeme und Software kombiniert, um KI an den Rand zu bringen. NVIDIA IGX Orin™ ist für industrielle und medizinische Umgebungen konzipiert, während die NVIDIA Jetson™‑Plattform seine Robotik‑Lösung darstellt.

Ein weiteres Forschungsfeld bei Nvidia ist die Photonik. Anfang dieses Jahres kündigte das Unternehmen seine neuen, gemeinsam verpackten Silizium‑Photonik‑Netzwerk‑Switches an, um Millionen von GPUs über Standorte hinweg zu verbinden und dabei Energieverbrauch und Betriebskosten zu senken. 

„Durch die direkte Integration von Silizium‑Photonik in Switches sprengt NVIDIA die alten Beschränkungen von Hyperscale‑ und Unternehmensnetzwerken und öffnet das Tor zu Millionen‑GPU‑KI‑Fabriken.“

– Huang

Die neue Technologie nutzt Laserlicht‑Strahlen, um Informationen über Glasfaserkabel zwischen Chips zu senden. Sie wird später in diesem Jahr und bis 2026 erscheinen.

Das Unternehmen prüft zudem, die Technologie breiter in seinen Flaggschiff‑GPU‑Chips einzusetzen, hat jedoch derzeit keine Pläne, da traditionelle Kupferverbindungen immer noch „um Größenordnungen“ zuverlässiger sind als gemeinsam verpackte optische Verbindungen.

Was die Marktperformance von Nvidia angeht, war sie außergewöhnlich. Im Oktober 2022 lag der NVDA‑Kurs unter 11 $ und wird derzeit über 165 $ gehandelt. Damit hat das Unternehmen ein EPS (TTM) von 3,10 und ein KGV (TTM) von 53,12. Das Unternehmen bietet zudem eine Dividendenrendite, wenn auch nur 0,02 %.

Bezüglich der Finanzen meldete Nvidia für das erste Quartal des Geschäftsjahres 2026 einen Umsatz von 44,1 Mrd. $, ein Anstieg von 12 % gegenüber dem vierten Quartal, während der Umsatz aus Rechenzentren bei 39,1 Mrd. $ lag, ein Plus von 10 % gegenüber dem Vorquartal.

Die Nachfrage nach der KI‑Infrastruktur des Unternehmens, bemerkte Huang, sei „außerordentlich stark.“

Latest NVIDIA Corporation (NVDA) Stock News and Developments

Conclusion

Während die Welt KI weiter übernimmt, die verspricht, Effizienz, Produktivität, Entscheidungsfindung und personalisierte Erlebnisse zu steigern, wird der Markt für diese leistungsstarke Technologie voraussichtlich  mehrere Milliarden Dollar im Jahr 2025 wert sein.

Doch während die Nachfrage nach energieintensiver KI steigt, wachsen auch deren Energiebedürfnisse, was zu einer Belastung der Stromnetze und steigenden Treibhausgasemissionen führt.

Um wirklich effiziente KI zu erreichen, sind koordinierte Anstrengungen in der Weiterentwicklung von Software und Hardware erforderlich. Vor diesem Hintergrund könnten Innovationen wie intelligenteres Modell‑Training, kleinere Modelle, prägnante Prompts, Modellkompression, neuromorphe Berechnung, Edge‑KI und Photonik dazu beitragen, eine Zukunft zu schaffen, in der Skalierung nicht mit nicht nachhaltigem Energieverbrauch einhergeht.

Hier könnte der neueste Durchbruch in der Spin‑Wellen‑Rechnung die Zukunft des energiearmen, hochperformanten Rechnens definieren und potenziell die Grundlage für die nächste Generation von KI‑Architekturen bilden.

Klicken Sie hier, um alles über Investitionen in künstliche Intelligenz zu erfahren.

References:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabroadband and Band-Selective Thermal Meta-Emitters by Machine Learning. 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. Linearly Programmable Two-Dimensional Halide Perovskite Memristor Arrays for Neuromorphic 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. Three-Dimensional Photonic Integration for Ultra-Low-Energy, High-Bandwidth Interchip Data Links. 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. Experimental Demonstration of Magnetic Tunnel Junction-Based Computational 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. Large-Scale Integrated Photonic Device Platform for Energy-Efficient AI/ML Accelerators. 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. Optical Neural Networks: Progress and Challenges. 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-Tunable Low-Loss Implanted Spin-Wave Waveguides for Large Magnonic Networks. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y