Redes de Ondas de Spin: El Próximo Salto en la Computación de IA Eficiente

La inteligencia artificial (IA) está transformando la forma en que vivimos. Con su potencial para revolucionar industrias, la tecnología se espera que genere billones en valor.

Desde la salud hasta la educación, el transporte, el entretenimiento y las finanzas, la IA ha mejorado enormemente la eficiencia y la precisión en todos los sectores. La IA también está ayudando a mejorar la eficiencia energética. Por ejemplo, científicos de todo el mundo colaboraron para crear¹ una nueva clase de material usando IA que ayuda a reducir los costos energéticos.

¿Pero qué pasa con la enorme demanda de energía que la propia IA genera? La IA hambrienta de energía presenta un gran desafío. Con el rápido aumento de aplicaciones de IA, la demanda de energía también está aumentando dramáticamente, lo que a su vez ejerce presión sobre nuestra infraestructura energética.

Cada día, los modelos de aprendizaje automático (ML) se vuelven más y más complejos. Y cuanto más grandes y sofisticados son, mayores son los recursos necesarios para entrenar y ejecutar estos modelos. 

Entrenar modelos de ML requiere no solo recursos computacionales sino también energía y agua para los centros de datos que albergan la infraestructura de TI necesaria para entrenar, desplegar y ofrecer aplicaciones y servicios de IA.

Vijay Gadepally, un científico senior del MIT Lincoln Laboratory Supercomputing Center (LLSC), dijo lo siguiente hace un par de años cuando la situación aún se estaba desarrollando:

“A medida que pasamos del texto al video a la imagen, estos modelos de IA están creciendo cada vez más, y también lo hace su impacto energético. Esto se convertirá en una cantidad bastante considerable de uso de energía y un contribuyente creciente a las emisiones en todo el mundo.”

Según proyecta la Agencia Internacional de Energía (IEA), la demanda mundial de electricidad de los centros de datos se doblará de un estimado de 460 teravatios-hora (TWh) en 2022 a 1.000 TWh en 2026, lo que equivale aproximadamente al consumo eléctrico de Japón.

Ya, el consumo eléctrico de los centros de datos ha alcanzado alrededor del 1,5% del consumo eléctrico global.

Una nueva investigación publicada por la UNESCO y la University College London (UCL) también advierte que la demanda energética de la IA, especialmente de los grandes modelos de lenguaje (LLM), ha alcanzado niveles insostenibles, y para cambiar esto, “necesitamos un cambio de paradigma en cómo la usamos”.

Según su informe, las herramientas de IA generativa están siendo usadas por más de 1 mil millones de personas diariamente, con cada interacción consumiendo aproximadamente 0,34 vatios‑hora de energía por solicitud. Dicen:

“Esto suma 310 gigavatios‑hora al año, equivalente al consumo eléctrico anual de más de 3 millones de personas en un país africano de bajos ingresos.” 

En su informe, el equipo de científicos informáticos sugirió tres innovaciones clave para lograr ahorros energéticos sustanciales. Esto incluye usar modelos más pequeños, que son tan inteligentes y precisos como los grandes pero pueden reducir el uso de energía hasta un 90 %. Luego están los prompts y respuestas más cortos y concisos, que pueden reducir el uso de energía en más del 50 %, mientras que la compresión de modelos puede ahorrar hasta un 44 % de energía.

Haciendo la IA Más Eficiente con Software Más Inteligente, Hardware Más Verde

Chip de IA brillante incrustado en una hoja verde simbolizando IA energéticamente eficiente

No solo un número creciente de individuos está adoptando la IA cada vez más, sino también cada vez más organizaciones están integrando esta tecnología en sus negocios.

Un estudio del IBM Institute for Business Value (IBV) reveló que la mayoría (77 %) siente la necesidad de usar IA generativa rápidamente para mantenerse al ritmo de sus clientes. 

A lo largo de los años, varias otras innovaciones tecnológicas, como la computación, han planteado preocupaciones similares, que se abordaron entonces mediante innovaciones de eficiencia. Lo mismo puede hacerse ahora con la IA. Desde investigadores hasta empresas, todos están trabajando actualmente en comprender su impacto y encontrar soluciones para mitigar sus efectos negativos.

Estas soluciones incluyen el uso de energía limpia y renovable, así como modelos más pequeños y entrenamiento de modelos más inteligente. 

Para abordar los desafíos de eficiencia energética de la IA, los investigadores se centran en dos frentes:

• Innovaciones de software
• Mejoras de hardware

En el ámbito del hardware, el limitador de potencia es una solución que puede potencialmente reducir el consumo de energía hasta en un 15 %. También existe hardware con eficiencia de carbono, que “asocia un modelo con la combinación de hardware más eficiente en carbono”, según MIT. 

En la Conferencia de Sostenibilidad de MIT en octubre, Gadepally, quien lidera los esfuerzos de investigación conscientes de la energía en LLSC, sugirió replantear el entrenamiento de modelos de IA e invertir en hardware más eficiente. El MIT Lincoln Laboratory ha estado aplicando las recomendaciones de Gadepally para reducir su propia huella de centro de datos.

Usar hardware más computacionalmente eficiente y aceleradores de hardware especializados también puede contribuir a ahorros energéticos. La paralelización, que reduce el tiempo de entrenamiento del algoritmo al distribuir el cómputo entre varios núcleos de procesamiento, y la computación perimetral, que realiza el cómputo en los lugares donde se recopilan o utilizan los datos, son otras soluciones de hardware prometedoras.

Los científicos también están recurriendo al cerebro humano, que tiene 100 mil millones de neuronas y 100 trillones conexiones sinápticas, para mejorar las máquinas. 

Esto ha llevado a la computación neuromórfica, que, en lugar de depender de arquitecturas tradicionales de von Neumann, utiliza neuronas y sinapsis artificiales para procesar información de manera similar al cerebro, logrando mayor eficiencia energética y potencia computacional.

Por ejemplo, investigadores del College of Engineering de la Universidad Nacional de Seúl desarrollaron² dispositivos neuromórficos basados en materiales híbridos orgánico‑inorgánicos.

Al hablar de la parte clave de su investigación, el profesor Ho Won Jang señaló que “radica en demostrar que el movimiento iónico uniforme a través de la superficie del material es más importante para desarrollar hardware neuromórfico de alto rendimiento que crear filamentos localizados en materiales semiconductores.”

La luz es otra forma en que el hardware de IA está siendo mejorado. En lugar de señales eléctricas, la computación fotónica usa luz y permite operaciones paralelas con mínima pérdida de calor. 

Hace apenas unos meses, investigadores de Columbia Engineering publicaron³ una plataforma fotónico‑electrónica 3D que logra gran eficiencia energética y densidad de ancho de banda. Para ello, integraron fotónica con circuitos electrónicos CMOS avanzados. El chip fotónico‑electrónico integrado en 3D entrega un ancho de banda alto (800 Gb/s) consumiendo solo 120 femtojulios por bit. Su densidad de ancho de banda de 5,3 Tb/s/mm² también supera los puntos de referencia existentes.

El verano pasado, investigadores del College of Science and Engineering de la Universidad de Minnesota, mientras tanto, mostraron una nueva tecnología⁴ llamada memoria de acceso aleatorio computacional (CRAM) que puede potencialmente reducir el uso de energía de la IA en 1 000 veces.

Con la fotónica de silicio emergiendo como una tecnología disruptiva para aceleradores de próxima generación para ML, investigadores de Hewlett‑Packard Labs han introducido⁵ una plataforma fotónica de silicio eficiente en energía y escalable para servir como base subyacente del hardware acelerador de IA.

Los aceleradores de IA fotónicos, a diferencia de los tradicionales, que dependen de redes neuronales distribuidas electrónicas (DNNs), usan redes neuronales ópticas⁶ (ONNs) que ofrecen alto paralelismo, latencia extremadamente baja y mínima pérdida de calor.

Aunque fáciles de fabricar, la fotónica de silicio es difícil de escalar; por eso, la plataforma. Está fabricada usando fotónica de silicio junto con semiconductores compuestos III‑V (como InP o GaAs).

Ahora, hay un nuevo método que puede hacer la IA más eficiente, y es habilitando grandes redes de guías de ondas de spin para manejar el procesamiento de información avanzada. La onda de spin es una solución prometedora para procesar información.

Este avance en la eficiencia del hardware de IA lo ha logrado un equipo de científicos alemanes de las Universidades de Münster y Heidelberg.

Dirigido por Rudolf Bratschitsch, profesor de física en Münster, el equipo ha creado una vasta red de guías de ondas de spin que procesa información con significativamente menos energía, convirtiéndola en una alternativa prometedora a la electrónica intensiva en energía.

Circuitos Magnónicos Escalables como la Nueva Frontera en IA de Bajo Consumo Energético

Ondas de spin fluyendo a través de un circuito a nanoescala ilustrando redes magnónicas

Aunque las redes magnónicas basadas en aislantes magnéticos pueden revolucionar el procesamiento de información gracias a su eficiencia energética, los bloques de construcción de estas redes, es decir, las guías de ondas de spin, sufren de capacidades ineficientes de ajuste de dispersión y longitudes de propagación limitadas.

Estas limitaciones han sido abordadas por el equipo de científicos de Münster y Heidelberg. 

Publicado en la revista científica Nature Materials⁷, el estudio detalló el desarrollo de una nueva forma de crear guías de ondas en las que las ondas de spin pueden propagarse muy lejos, construyendo así la red de guías de ondas de spin más grande hasta la fecha. 

Pero eso no es todo. El equipo también logró controlar las propiedades de la onda de spin que se transmitió en la guía de ondas. Por ejemplo, los científicos pudieron cambiar con precisión la longitud de onda y la reflexión de la onda de spin en una cierta interfaz. El estudio señaló:

“La dispersión de las guías de ondas puede ajustarse continuamente debido a la implantación iónica precisa y localizada, lo que las diferencia de las guías de ondas comúnmente grabadas.” 

El spin electrónico o momento angular intrínseco es una propiedad cuántica fundamental de los electrones, donde la alineación de varios spins determina las propiedades magnéticas. Ahora, si se aplica una corriente alterna a un material magnético con una antena, se produce un campo magnético cambiante, y los spins en el material pueden generar una onda de spin.

Las ondas de spin son excitaciones de un material magnético, y presentan posibilidades emocionantes para el procesamiento avanzado de información. 

Lo que realmente las hace atractivas son sus características distintivas, como una fuerte no linealidad natural y operación a alta velocidad dentro de la banda de frecuencia de gigahercios (GHz) a terahercios (THz).

En tiempos recientes, los investigadores han comenzado a utilizar ondas de spin en estructuras magnéticas a nanoescala y redes para procesamiento de señales y aplicaciones de cómputo. Esta tecnología emergente puede ayudar a abordar limitaciones inherentes a la microelectrónica semiconductor tradicional en cuanto a densidad computacional y capacidad de procesamiento de alta dimensión.

Más importante aún, es la huella energética baja de la tecnología de ondas de spin lo que resulta particularmente atractivo. 

La utilidad de la tecnología reside en su capacidad para codificar información dentro de la fase, frecuencia y amplitud de las ondas de spin. Esta estrategia, al igual que las ondas electromagnéticas, permite un rango flexible de procesamiento de datos al aprovechar la dependencia de los atributos de propagación en estos parámetros.

Las ondas de spin se usan actualmente para crear diferentes componentes individuales. Las puertas lógicas que realizan operaciones lógicas sobre entradas binarias para producir una salida binaria única son un ejemplo. Los multiplexores son otro tipo de dispositivo que selecciona una de varias señales de entrada. 

Otros ejemplos incluyen cruces, acopladores, memorias, puertas mayoritarias, (de‑)multiplexores, interferómetros, divisores y analizadores de espectro. 

Todos estos dispositivos pueden funcionar de forma independiente como unidades de procesamiento de información o integrarse en redes más grandes y complejas con funcionalidades avanzadas.

En una red grande, los enlaces entre elementos son guías de ondas personalizadas para ondas de spin. Estas guías de ondas son importantes para confinar y guiar las ondas de spin de un elemento a otro y, como tal, requieren pérdidas de propagación mínimas. Tales guías de ondas y sus combinaciones también sirven como dispositivos funcionales de ondas de spin.

Sin embargo, los componentes no se habían conectado para formar un circuito más grande hasta ahora.

“El hecho de que redes más grandes, como las usadas en electrónica, aún no se hayan realizado, se debe en parte a la fuerte atenuación de las ondas de spin en las guías que conectan los elementos de conmutación individuales – especialmente si son más estrechas que un micrómetro y, por lo tanto, a nanoescala.”

– Profesor Físico Bratschitsch

Así que, lo que el equipo hizo para superar ese problema fue usar el material que actualmente tiene la atenuación más baja, y ese es el granate de hierro de itrio (YIG). Tiene el menor amortiguamiento y la mayor longitud de propagación de ondas de spin, alcanzando milímetros. 

En cuanto a la realización de guías de ondas para ondas de spin, los enfoques litográficos se utilizan normalmente. Para crear guías de ondas a nanoescala en YIG, el enfoque avanzado de fabricación se basa en el grabado iónico reactivo de finas películas de YIG. Pero incluso con películas de YIG de alta calidad y procesos de grabado de última generación, la longitud máxima de propagación que se ha reportado es de 54 µm.

Desarrollar estructuras híbridas es otro enfoque emergente donde las películas de YIG se combinan con nanocintas de metal ferromagnético para definir canales de transporte de ondas de spin nanoscópicos mediante acoplamiento dipolar, lo que crea longitudes de propagación de ondas de spin de ~20 µm.

Luego está la implantación iónica, que se utilizó recientemente para manipular ondas de spin en YIG. La escritura con haz de iones enfocados ha permitido la modificación precisa de películas de YIG a escala submicrométrica.

Así, los científicos usaron una película comercial de 110 nm de grosor de material magnético YIG y luego inscribieron guías de ondas de spin individuales en ella usando un haz de iones de silicio. 

El proceso de implantación sin máscara permitió la creación de múltiples estructuras de ondas de spin a medida en un solo sustrato. Pero, lo que es más importante, puede escalarse para fabricar circuitos integrados magnónicos del tamaño de una oblea. 

También se fabricó una antena de microcinta de oro mediante litografía de haz de electrones para excitar ondas de spin con una señal de microondas de onda continua. Se aplicó un campo magnético estático en plano externo H0 de μ0H0 = 50 mT para lanzar ondas de spin en modo de superficie.

De esta manera, pudieron producir una gran red con 198 nodos, abriendo la puerta a circuitos integrados magnónicos a gran escala. También permite crear estructuras complejas de alta calidad de forma reproducible y flexible.

Además, el equipo logró una longitud de propagación de ondas de spin de más de 100 µm, y su enfoque sin grabado les permitió tener una red integrada de ondas de spin compuesta por 34 puertos de entrada paralelos y 34 salidas. El estudio afirmó:

“Estos resultados allanan el camino para la realización de redes magnónicas avanzadas con un control sin precedentes y abren vías emocionantes para la creación de sistemas de cómputo de ondas de spin a gran escala y con bajas pérdidas.” 

Invertir en IA Eficiente

En el mundo de la inteligencia artificial, NVIDIA Corporation (NVDA )
es el líder indiscutible con sus aceleradores y chips de IA. La empresa más grande del mundo por capitalización de mercado, con más de 4 billones de dólares, NVIDIA, también ha estado invirtiendo en arquitecturas energéticamente eficientes.

NVIDIA Corporation (NVDA )

Las GPU de Nvidia ofrecen mejoras de rendimiento por vatio. Su arquitectura Blackwell, en particular, promete IA generativa en LLMs de billones de parámetros con hasta 25 veces menos costo y consumo de energía que su arquitectura Hopper anterior.

Blackwell, fundada por Jensen Huang, el CEO, dijo el año pasado, que está diseñada para ser “muy potente y muy eficiente en energía”.

Nvidia también ofrece sistemas de refrigeración líquida, el NVIDIA GB200 NVL72 y el NVIDIA GB300 NVL72, para manejar las tareas exigentes de inferencia de LLM con su arquitectura específicamente optimizada para la precisión y el rendimiento en escalado de tiempo de prueba.

El gigante tecnológico también está involucrado en investigación y desarrollo de IA en el borde con su plataforma NVIDIA EGX™ , que combina computación potente, gestión remota y sistemas y software para llevar la IA al borde. NVIDIA IGX Orin™ está diseñada para entornos industriales y médicos, mientras que la plataforma NVIDIA Jetson™ es su solución robótica.

Otra área de investigación en Nvidia es la fotónica. A principios de este año, la compañía anunció sus nuevos conmutadores de red fotónica de silicio co‑empaquetados para conectar millones de GPU entre sitios mientras reducen el consumo de energía y los costos operativos. 

“Al integrar la fotónica de silicio directamente en los conmutadores, NVIDIA está rompiendo las limitaciones antiguas de redes hiperescaladas y empresariales y abriendo la puerta a fábricas de IA con millones de GPU.”

– Huang

La nueva tecnología usa haces de luz láser para enviar información por cables de fibra óptica entre chips. Saldrá a finales de este año y continuará hasta 2026.

La compañía también ha investigado su uso más amplio en sus chips GPU insignia, pero actualmente no tiene planes de hacerlo, ya que las conexiones de cobre tradicionales siguen siendo “orden de magnitud” más fiables que las conexiones ópticas co‑empaquetadas.

En cuanto al desempeño del mercado de Nvidia, ha sido nada menos que extraordinario. En octubre de 2022, las acciones de NVDA estaban bajo $11 y actualmente cotizan por encima de $165. Con eso, tiene un EPS (TTM) de 3,10 y un P/E (TTM) de 53,12. La compañía incluso ofrece un rendimiento de dividendo, aunque solo del 0,02 %.

En cuanto a los resultados financieros, para el primer trimestre del año fiscal 2026, Nvidia reportó ingresos de $44,1 mil millones, un 12 % más que el cuarto trimestre, mientras los ingresos del centro de datos fueron $39,1 mil millones, un aumento del 10 % respecto al trimestre anterior.

La demanda de la infraestructura de IA de la compañía, señaló Huang, es “increíblemente fuerte.”

Últimas Noticias y Desarrollos de Acciones de NVIDIA Corporation (NVDA)

Conclusión

A medida que el mundo sigue adoptando la IA, que promete mayor eficiencia, mayor productividad, mejor toma de decisiones y experiencias personalizadas, se espera que el mercado de esta poderosa tecnología  valga varios miles de millones de dólares en 2025.

Pero a medida que crece la demanda de IA hambrienta de energía, también lo hacen sus necesidades energéticas, lo que significa presión sobre las redes eléctricas y un aumento de las emisiones de gases de efecto invernadero.

Para lograr una IA verdaderamente eficiente, se requieren esfuerzos coordinados en la evolución tanto del software como del hardware. En este contexto, innovaciones como entrenamiento de modelos más inteligente, modelos más pequeños, prompts concisos, compresión de modelos, computación neuromórfica, IA en el borde y fotónica podrían ayudar a crear un futuro donde la escala no tenga que ir acompañada de demandas energéticas insostenibles.

Aquí, el último avance en computación de ondas de spin podría definir el futuro de la computación de bajo consumo y alto rendimiento, potencialmente convirtiéndose en la base de arquitecturas de IA de próxima generación.

Haga clic aquí para aprender todo sobre invertir en inteligencia artificial.

Referencias:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Emisores Termo‑Meta de Banda Ultra‑ancha y Selección de Banda mediante Aprendizaje Automático. 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. Matrices Memristoras de Perovskita Halógena Bidimensional Programables Linealmente para Computación Neuromórfica. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Integración Fotónica Tridimensional para Enlaces de Datos Interchip de Ultra‑Bajo Consumo y Alto Ancho de Banda. 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. Demostración Experimental de Memoria de Acceso Aleatorio Computacional Basada en Uniones Túnel Magnéticas. 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. Plataforma de Dispositivos Fotónicos Integrados a Gran Escala para Aceleradores de IA/ML de Eficiencia Energética. IEEE J. Sel. Top. Quantum Electron. 2025, 31(3), Artículo 8200326. https://doi.org/10.1109/JSTQE.2025.3527904
6. Fu, T.; Zhang, J.; Sun, R.; et al. Redes Neuronales Ópticas: Progresos y Desafíos. 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. Guías de Ondas de Spin Implantadas de Baja Pérdida y Dispersión Ajustable para Grandes Redes Magnónicas. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y