Spin-Wave-Netzwerke: Der nächste Schritt im effizienten KI-Computing

Künstliche Intelligenz (KI) ist die Art und Weise verändern, wie wir live. Mit ihrem Potenzial, Branchen zu revolutionieren, Es wird erwartet um Werte in Billionenhöhe zu generieren.

Vom Gesundheitswesen über Bildung, Transport, Unterhaltung bis hin zum Finanzwesen hat KI die Effizienz und Genauigkeit in allen Sektoren erheblich verbessert.KI hat auch dazu beigetragen, die Energieeffizienz zu verbessern. So arbeiteten Wissenschaftler aus aller Welt zusammen, um erstellen¹ eine neue Materialklasse, die mithilfe von KI zur Senkung der Energiekosten beiträgt.

Aber was ist mit dem enormen Energiebedarf der KI selbst? Die leistungshungrige KI stellt eine große Herausforderung dar. Mit dem rasanten Anstieg der KI-Anwendungen Energiebedarf Auch die Energieversorgung nimmt dramatisch zu, was wiederum unsere Energieinfrastruktur belastet.

Modelle für maschinelles Lernen (ML) werden täglich komplexer. Und je größer und anspruchsvoller sie werden, desto höher ist der Ressourcenbedarf für Training und Ausführung dieser Modelle. 

Trainieren von ML-Modellen erfordert nicht nur Rechenressourcen, sondern auch Energie und Wasser für die Rechenzentren, in denen die IT-Infrastruktur untergebracht ist, die zum Trainieren, Bereitstellen und Liefern von KI-Anwendungen und -Diensten erforderlich ist.

Vijay Gadepally, ein leitender Wissenschaftler am MIT Lincoln Laboratory Supercomputing Center (LLSC), hatte sagte folgendes vor ein paar Jahren, als sich die Situation noch entwickelte:

"Während wir von Text zu Video zu Bild wechseln, werden diese KI-Modelle immer größer und damit auch ihr Energieverbrauch. Dies wird zu einem beträchtlichen Teil des Energieverbrauchs und zu einem immer größeren Beitrag zu den weltweiten Emissionen führen."

Wie die Internationale Energieagentur (IEA) prognostiziert, wird der weltweite Strombedarf von Rechenzentren doppelt von geschätzten 460 Terawattstunden (TWh) im Jahr 2022 auf 1,000 TWh im Jahr 2026, was in etwa dem Stromverbrauch Japans entspricht.

Der Stromverbrauch von Rechenzentren liegt bereits bei etwa 1.5% des weltweiten Stromverbrauchs.

Eine neue Studie der UNESCO und des University College London (UCL) warnt dass der Energiebedarf der KI, insbesondere großer Sprachmodelle (LLMs), ein unhaltbares Niveau erreicht hat, , um dies zu ändern, „brauchen wir einen Paradigmenwechsel in der Art und Weise, wie wir es nutzen.“

Laut ihrem Bericht sind Gen AI-Tools verwendet werden von über 1 Milliarde Menschen täglich, und Jede Interaktion verbraucht etwa 0.34 Wattstunden Energie pro Eingabeaufforderung. Es heißt:

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

In seinem Bericht schlug das Team von Informatikern drei Schlüsselinnovationen vor, die erhebliche Energieeinsparungen ermöglichen. Dieser Dazu gehört die Verwendung kleinerer Modelle, die genauso intelligent und präzise sind wie große, aber den Energieverbrauch um bis zu 90 % senken können. Darüber hinaus gibt es kürzere, prägnantere Eingabeaufforderungen und Antworten, die den Energieverbrauch um über 50 % senken können, während die Modellkomprimierung bis zu 44 % Energie einsparen kann.

KI effizienter gestalten mit intelligenterer Software und umweltfreundlicherer Hardware

Leuchtender KI-Chip in einem grünen Blatt als Symbol für energieeffiziente KI

Sie hilft nicht nur nur eine wachsende Zahl von Einzelpersonen sind zunehmend Einführung von KI, aber Immer mehr Organisationen integrieren diese Technologie in ihr Geschäft.

Eine Studie von der IBM Institut für Unternehmenswert (IBV) ergab, dass die Mehrheit (77%) das Bedürfnis verspürt, generativ KI schnell, um mit ihren Kunden Schritt zu halten. 

Im Laufe der Jahre mehrere Andere technologische Innovationen, so as Computer, haben ähnliche Bedenken geäußert, die wurden dann durch Effizienzinnovationen angegangen. Die Dasselbe ist jetzt mit KI möglich. Von Forschern bis zu Unternehmen arbeiten alle daran, die Auswirkungen zu verstehen und herauszufinden, Lösungen um die negativen Auswirkungen zu mildern.

Zu diesen Lösungen gehören die Nutzung sauberer und erneuerbarer Energie sowie kleinere Modelle und ein intelligenteres Modelltraining. 

Um die Herausforderungen der KI in Bezug auf Energieeffizienz zu bewältigen, sind fokussiert auf zwei Fronten:

• Software-Innovationen
• Hardware-Verbesserungen

Im Hardwarebereich ist Power-Capping eine Lösung, die möglicherweise Reduzieren Sie den Energieverbrauch um bis zu 15 %. Es gibt auch kohlenstoffeffiziente Hardware, die „ein Modell mit dem kohlenstoffeffizientesten Hardware-Mix zusammenbringt“, pro MIT. 

Auf der MIT Sustainability Conference im Oktober sagte Gadepally, der die energiebewusste Forschung am LLSC, schlug vor, das Training von KI-Modellen zu überdenken und in effizientere Hardware zu investieren. Das MIT Lincoln Laboratory hat Gadepallys Empfehlungen umgesetzt, um seine besitzen Stellfläche des Rechenzentrums.

Der Einsatz rechnerisch effizienterer Hardware und spezieller Hardwarebeschleuniger kann ebenfalls dazu beitragenEnergieeinsparungen. Parallelisierung, die die Trainingszeit des Algorithmus durch die Verteilung der Berechnungen auf mehrere Prozessorkerne reduziert, und Edge Computing, das Berechnungen an den Orten durchführt, an denen die Daten gesammelt oder verwendet werden, sind weitere vielversprechendeing Hardwarelösungen.

Wissenschaftler wenden sich auch das menschliche Gehirn, das 100 Milliarden Neuronen und 100 Billionen synaptische Verbindungen, um Maschinen besser zu machen. 

Dieser hat zum neuromorphen Computing geführt, das beantragen müssen auf traditionelle Von-Neumann- Architekturen, nutzt künstliche Neuronen und Synapsen, um Informationen auf eine dem Gehirn ähnliche Weise zu verarbeiten und so eine höhere Energieeffizienz und Rechenleistung zu erreichen.

Für Beispiel, Forscher vom Seoul National University College of Engineering entwickelt² neuromorphe Geräte auf Basis hybrider organisch-anorganischer Materialien.

Professor Ho Won Jang sprach über den wichtigsten Teil ihrer Forschung und bemerkte: „liegt darin, zu zeigen, dass eine gleichmäßige Ionenbewegung über die Oberfläche des Materials für die Entwicklung hochleistungsfähiger neuromorpher Hardware wichtiger ist als die Erzeugung lokalisierter Filamente in Halbleiter Materialien."

Licht ist eine weitere Möglichkeit, KI-Hardware wird verbessert. Anstelle von elektrischen Signalen verwendet das Photonic Computing Licht und ermöglicht parallele Vorgänge mit minimalem Wärmeverlust. 

Erst vor wenigen Monaten haben Forscher von Columbia Engineering freigegeben³ Eine 3D-Photonik-Plattform mit hoher Energieeffizienz und Bandbreitendichte. Dafür wurde Photonik mit fortschrittlichen CMOS-Elektronikschaltungen integriert. Der 3D-integrierte Photonik-Chip bietet eine hohe Bandbreite (800 Gb/s) und verbraucht dabei nur 120 Femtojoule pro Bit. Es ist Die Bandbreitendichte von 5.3 Tb/s/mm2 übertrifft ebenfalls bestehende Benchmarks.

Im vergangenen Sommer haben Forscher des University of Minnesota College of Science and Engineering zeigte ein neue Technologie⁴ Der sogenannte Computational Random-Access Memory (CRAM) kann den Energieverbrauch von KI potenziell um das Tausendfache senken.

Da sich die Siliziumphotonik als disruptive Technologie für Beschleuniger der nächsten Generation für ML herauskristallisiert, haben Forscher von Hewlett-Packard Labore haben eingeführt⁵ eine energieeffiziente und skalierbare Silizium-Photonik-Plattform, die als Grundlage für KI-Beschleuniger-Hardware dient.

Photonische KI-Beschleuniger, im Gegensatz zu traditionellen, welche basieren auf elektronischen verteilten neuronalen Netzwerken (DNNs), benutzen Sie optische neuronale Netze⁶ (ONNs), die hohe Parallelität, extrem niedrige Latenz und minimalen Wärmeverlust bieten.

Obwohl es einfach herzustellen ist, Siliziumphotonik sind schwer zu Skala; daher die Plattform. Es ist fabriziert unter Verwendung von Siliziumphotonik zusammen mit III-V-Verbindungshalbleitern (wie InP oder GaAs).

Jetzt gibt es eine neue Methode, die KI effizienter machen kann, , Dies geschieht, indem große Spinwellenleiternetzwerke die Verarbeitung komplexer Informationen ermöglichen. Spinwellen sind eine vielversprechende Lösung für die Informationsverarbeitung.

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

Unter der Leitung von Rudolf Bratschitsch, einem Physikprofessor in Münster, hat das Team ein riesiges Spin-Wellenleiter-Netzwerk geschaffen, das Informationen mit deutlich weniger Energie verarbeitet und damit eine vielversprechende Alternative zur energieintensiven Elektronik darstellt.

Skalierbare Magnonik-Schaltkreise als neue Grenze der energieeffizienten KI

Spinwellen, die durch einen Schaltkreis im Nanomaßstab fließen, veranschaulichen magnonische Netzwerke

Während Magnoniknetzwerke auf der Basis magnetischer Isolatoren aufgrund ihrer Energieeffizienz die Informationsverarbeitung revolutionieren können, weisen die Bausteine dieser Netzwerke, d. h. Spinwellen-Wellenleiter, ineffiziente Dispersionsabstimmungsmöglichkeiten und begrenzte Spinwellen-Ausbreitungslängen auf.

Diese Einschränkungen hat das Wissenschaftlerteam aus Münster und Heidelberg überwunden. 

Veröffentlicht in der wissenschaftlichen Zeitschrift Nature Materials⁷, hat das Studie detailliert die Entwicklung einer neuen Methode zur Herstellung von Wellenleitern, in denen sich die Spinwellen sehr weit ausbreiten können, so Bau des bislang größten Spin-Wellenleiter-Netzwerks. 

Aber das ist nicht alles. Das Team konnte auch die Eigenschaften der Spinwelle kontrollieren, die wurde übermittelt im Wellenleiter. Für Beispiel, Den Wissenschaftlern gelang es, die Wellenlänge und Reflexion der Spinwelle an einer bestimmten Grenzfläche präzise zu verändern. In der Studie heißt es:

"Die Dispersion der Wellenleiter kann kontinuierlich eingestellt werden aufgrund der präzisen und lokalisierten Ionenimplantation, die sie von üblicherweise geätzten Wellenleitern unterscheidet."  

Der Elektronenspin oder Eigendrehimpuls ist eine grundlegende quantenmechanische Eigenschaft von Elektronen, woher Die Ausrichtung mehrerer Spins bestimmt die magnetischen Eigenschaften. Wenn nun ein Wechselstrom wird angewandt an ein magnetisches Material mit einer Antenne, ein sich änderndes Magnetfeld ist erzeugt, , Die Spins im Material können eine Spinwelle erzeugen.

Spinwellen sind Anregungen eines magnetischen Materials, , Sie bieten spannende Möglichkeiten für die fortgeschrittene Informationsverarbeitung. 

Was sie wirklich attraktiv macht, sind ihre besonderen Eigenschaften, Google Trends, Amazons Bestseller eine natürliche starke Nichtlinearität und Hochgeschwindigkeitsbetrieb im Frequenzband von Gigahertz (GHz) bis Terahertz (THz).

In jüngster Zeit nutzen Forscher Spinwellen in nanoskaligen magnetischen Strukturen und Netzwerken für Signalverarbeitungs- und Computeranwendungen. Diese neue Technologie kann dazu beitragen, die inhärenten Einschränkungen der herkömmlichen Halbleitermikroelektronik hinsichtlich Rechendichte und hochdimensionaler Verarbeitungskapazität zu überwinden.

Noch wichtiger ist jedoch, dass der niedrige Energieverbrauch der Spinwellentechnologie besonders attraktiv ist. 

Der Nutzen dieser Technologie liegt in der Fähigkeit, Informationen in Phase, Frequenz und Amplitude von Spinwellen zu kodieren. Ähnlich wie bei elektromagnetischen Wellen ermöglicht diese Strategie eine flexible Datenverarbeitung, indem sie die Abhängigkeit der Ausbreitungseigenschaften von diesen Parametern ausnutzt.

Spinwellen werden derzeit verwendet um verschiedene Einzelkomponenten zu erstellen. Logikgatter, die logische Operationen an binären Eingängen durchführen, um einen einzelnen binären Ausgang zu erzeugen Diese Ein Beispiel. Multiplexer sind ein weiterer Gerätetyp das eines von mehreren Eingangssignalen auswählt. 

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

Alle diese Geräte können entweder unabhängig als Informationsverarbeitungseinheiten arbeiten oder in größere, komplexe Netzwerke mit erweiterten Funktionen integriert werden.

In einem großen Netzwerk sind die Verbindungen zwischen Elemente sind maßgeschneiderte Wellenleiter für Spinwellen. Diese Wellenleiter sind wichtig, um Spinwellen sowohl einzuschließen als auch von einem Element zum anderen zu leiten. as erfordern minimale Ausbreitungsverluste. Solche Wellenleiter und ihre Kombinationen dienen auch als funktionale Spinwellengeräte.

Die Komponenten wurden jedoch nicht zu einem größeren Ganzen verbunden. Schaltung bis jetzt.

„Die Tatsache, dass größere Netzwerke, wie sie in der Elektronik verwendet werden, noch nicht war erkannte, ist teilweise auf die starke Dämpfung der Spinwellen in den Wellenleitern zurückzuführen, die die einzelnen Schaltkreise verbinden. Elemente - insbesondere wenn sie schmaler als ein Mikrometer und damit im Nanobereich sind.“

– Physiker Professor Bratschitsch

Um dieses Problem zu lösen, verwendete das Team das Material, das derzeit die geringste Dämpfung aufweist: Yttrium-Eisen-Granat (YIG). Es weist die geringste Dämpfung und die größte Ausbreitungslänge von Spinwellen auf und erreicht Millimeter. 

Zur Realisierung von Wellenleitern für Spinwellen werden lithographische Ansätze werden üblicherweise verwendet. Um nanoskalige Wellenleiter in YIG zu erzeugen, ist der fortschrittliche Fertigungsansatz basiert auf reaktivem Ionenätzen dünner YIG-Filme. Aber selbst bei hochwertigen YIG-Filmen und modernsten Ätzprozessen beträgt die maximale Ausbreitungslänge das war schon Der angegebene Wert beträgt 54 µm.

Die Entwicklung von Hybridstrukturen ist ein weiterer neuer Ansatz, bei dem YIG-Filme mit Nanostreifen aus ferromagnetischem Metall kombiniert werden, um nanoskopische Spinwellen-Transportkanäle durch dipolare Kopplung zu definieren. welche erzeugt Spinwellen-Ausbreitungslängen von ~20 µm.

Dann gibt es noch die Ionenimplantation, die wurde vor kurzem verwendet zur Manipulation von Spinwellen in YIG. Durch fokussiertes Ionenstrahlschreiben konnten YIG-Filme im Submikrometerbereich präzise modifiziert werden.

Die Wissenschaftler verwendeten daher einen handelsüblichen 110 nm rubens Film aus dem magnetischen Material YIG und schrieb dann einzelne Spin-Wellenleiter mit einem Strahl aus Silizium ein Ionen. 

Der maskenlose Implantationsprozess ermöglichte die Erzeugung mehrerer maßgeschneiderter Spinwellenstrukturen auf einem Substrat. Noch wichtiger ist jedoch, dass er sich zur Herstellung von Magnonen-ICs in Wafergröße skalieren lässt. 

Außerdem wurde eine Gold-Mikrostreifenantenne mit Elektronenstrahllithografiefilm hergestellt, um Spinwellen mit einem kontinuierlichen Mikrowellensignal anzuregen. Ein externes statisches Magnetfeld H0 in der Ebene von μ0H0 = 50 mT wurde angelegt, um Oberflächenmodus-Spinwellen auszulösen.

Auf diese Weise gelang es ihnen, ein großes Netzwerk mit 198 Knoten zu erstellen, das die Türen zu großflächigen integrierten Magnon-Schaltkreisen öffnete. Es ermöglicht auch die Entwicklung komplexer Strukturen von hoher Qualität. erstellt werden reproduzierbar und flexibel.

Darüber hinaus erreichte das Team eine Spinwellen-Ausbreitungslänge von über 100 µm, , Ihr ätzfreier Ansatz ermöglichte die Entwicklung eines integrierten Spinwellennetzwerks mit 34 parallelen Ein- und Ausgängen. In der Studie heißt es:

„Diese Ergebnisse ebnen den Weg für die Realisierung fortschrittlicher magnonischer Netzwerke mit beispielloser Kontrolle und spannenden Möglichkeiten zur Realisierung verlustarmer Spinwellen-Computersysteme im großen Maßstab.“ 

In effiziente KI investieren

In der Welt der künstlichen Intelligenz NVIDIA Corporation (NVDA )
ist mit seinen KI-Beschleunigern und Chips klarer Marktführer. Das weltweit größte Unternehmen mit einer Marktkapitalisierung von über 4 Billionen US-Dollar, Nvidia, hat auch in energieeffiziente Architekturen investiert.

NVIDIA Corporation (NVDA )

Nvidias GPUs bieten Leistungsverbesserungen pro Watt. Insbesondere die Blackwell-Architektur verspricht KI der nächsten Generation auf Billionen-Parameter-Basis. LLMs zu bis zu 25x weniger Kosten und Energieverbrauch als seine vorherige Hopper-Architektur.

Blackwell, gegründet von Jensen Huang, dem CEO, sagte letztes Jahr, ist entworfen „sehr leistungsfähig und sehr energieeffizient“ zu sein.

Nvidia bietet außerdem Flüssigkeitskühlsysteme an, das NVIDIA GB200 NVL72 und das NVIDIA GB300 NVL72, um die anspruchsvollen Aufgaben der LLM-Inferenz mit ihrer Architektur zu bewältigen, die speziell für die Genauigkeit und Leistung der Testzeitskalierung optimiert ist.

Der Technologieriese engagiert sich zudem in der Forschung und Entwicklung im Bereich Edge-KI mit seiner NVIDIA EGX™-Plattform. Diese kombiniert leistungsstarkes Computing, Remote-Management sowie Systeme und Software, um KI an die Peripherie zu bringen. NVIDIA IGX Orin™ ist für industrielle und medizinische Umgebungen konzipiert. und gleichzeitig die Die NVIDIA Jetson™-Plattform ist seine Robotiklösung.

Ein weiteres Forschungsgebiet von Nvidia ist die Photonik. Anfang des Jahres kündigte das Unternehmen seine neuen Co-Packaged Silicon Photonic Networking Switches an, die Millionen von GPUs standortübergreifend verbinden und gleichzeitig den Energieverbrauch und die Betriebskosten senken sollen. 

"Durch die direkte Integration von Siliziumphotonik in Switches durchbricht NVIDIA die alten Beschränkungen von Hyperscale- und Unternehmensnetzwerken und öffnet das Tor zu KI-Fabriken mit Millionen von GPUs.“

– Huang

Die neue Technologie nutzt Laserstrahlen, um Informationen über Glasfaserkabel zwischen Chips zu übertragen. Sie wird noch in diesem Jahr und bis 2026 auf den Markt kommen.

Das Unternehmen hat außerdem geprüft, ob es diese Technologie in seinen Flaggschiff-GPU-Chips umfassender einsetzen könnte, hat dazu derzeit jedoch noch keine Pläne, da herkömmliche Kupferverbindungen immer noch „um Größenordnungen“ zuverlässiger sind als gemeinsam verpackte optische Verbindungen.

Die Marktperformance von Nvidia war geradezu außergewöhnlich. Im Oktober 2022 fiel der Kurs der NVDA-Aktie unter 11 US-Dollar und notiert aktuell bei über 165 US-Dollar. Damit liegt der Gewinn pro Aktie (EPS) bei 3.10 und das KGV (KGV) bei 53.12. Das Unternehmen bietet sogar eine Dividendenrendite. obwohl nur 0.02 %.

Was die Finanzen betrifft, meldete Nvidia für das erste Quartal des Geschäftsjahres 2026 einen Umsatz von 44.1 Milliarden US-Dollar, ein Plus von 12 % gegenüber dem vierten Quartal. und gleichzeitig die Der Umsatz der Rechenzentren belief sich auf 39.1 Milliarden US-Dollar, ein Anstieg von 10 % gegenüber dem Vorquartal.

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

Aktuelle Aktiennachrichten und Entwicklungen der NVIDIA Corporation (NVDA)

Fazit

Da die KI weltweit immer mehr Einzug hält und mehr Effizienz, höhere Produktivität, verbesserte Entscheidungsfindung und personalisierte Erlebnisse verspricht, wird erwartet, dass der Markt für diese leistungsstarke Technologie im Jahr 2025 einen Wert von mehreren Milliarden Dollar haben.

Doch mit der steigenden Nachfrage nach energiehungriger KI do seinen Energiebedarf, was eine Belastung der Energienetze und steigende Treibhausgasemissionen bedeutet.

Um eine wirklich effiziente KI zu erreichen, sind koordinierte Anstrengungen bei der Weiterentwicklung von Software und Hardware erforderlich. Vor diesem Hintergrund sind Innovationen wie intelligenteres Modelltraining, kleinere Modelle, prägnante Eingabeaufforderungen, Modellkomprimierung, neuromorphes Computing, Edge-KI und Photonik könnte dazu beitragen, eine Zukunft zu schaffen, in der Skaleneffekte nicht mit einem unhaltbaren Energiebedarf einhergehen müssen.

Hier, die neuesten Ein Durchbruch im Spin-Wave-Computing könnte die Zukunft des stromsparenden Hochleistungs-Computings bestimmen und möglicherweise die Grundlage für KI-Architekturen der nächsten Generation bilden.

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

Referenzen: (Die Referenzliste bleibt in der wissenschaftlichen Zitierweise erhalten)

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabreitbandige und bandselektive thermische Meta-Emitter durch maschinelles Lernen. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Kim, SJ; Im, IH; Baek, JH; et al. Linear programmierbare zweidimensionale Halogenid-Perowskit-Memristor-Arrays für neuromorphes Computing. Nat. Nanotechnologie. 2025, 2083-92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Dreidimensionale photonische Integration für Interchip-Datenverbindungen mit extrem niedriger Energie und hoher Bandbreite. Nat. Photon. 2025, 19, 502–509. https://doi.org/10.1038/s41566-025-01633-0
4. Lv, Y.; Zink, BR; Bloom, RP; et al. Experimentelle Demonstration eines auf magnetischen Tunnelverbindungen basierenden rechnergestützten Direktzugriffsspeichers. npj Unkonvert. 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. Großflächige integrierte photonische Geräteplattform für energieeffiziente KI/ML-Beschleuniger. IEEE J. Sel. Oben. Quantenelektron. 2025, 31(3), Artikel 8200326. https://doi.org/10.1109/JSTQE.2025.3527904
6. Fu, T.; Zhang, J.; Sun, R.; et al. Optische neuronale Netzwerke: Fortschritt und Herausforderungen. Licht Sci. Appl. 2024, 13 263. https://doi.org/10.1038/s41377-024-01590-3
7. Bensmann, J.; Schmidt, R.; Nikolaev, KO; et al. Dispersionsabstimmbare, verlustarme implantierte Spinwellen-Wellenleiter für große magnonische Netzwerke. Nat. Mater. 2025 https://doi.org/10.1038/s41563-025-02282-y