Spin‑Aaltoverkot: Seuraava Hyppy Energiatehokkaassa AI‑laskennassa

Tekoäly (AI) on muuttamassa tapaamme elää. Teknologian potentiaali mullistaa toimialoja tekee sen odotetuksi tuottamaan biljoonia arvossa.

Terveydenhuollosta koulutukseen, liikenteeseen, viihteeseen ja rahoitukseen, AI on merkittävästi parantanut tehokkuutta ja tarkkuutta eri sektoreilla. AI on myös auttanut parantamaan energiatehokkuutta. Esimerkiksi tiedemiehet ympäri maailmaa tekivät yhteistyötä luodakseen¹ uuden materiaaliluokan AI:n avulla, mikä auttaa vähentämään energian kustannuksia.

Entä AI:n omat valtavat energiavaatimukset? Energiankulutuksensa vuoksi AI on suuri haaste. AI‑sovellusten nopean kasvun myötä energiakysyntä kasvaa dramaattisesti, mikä puolestaan rasittaa energian infrastruktuuriamme.

Joka päivä koneoppimismallit (ML) muuttuvat yhä monimutkaisemmiksi. Mitä suuremmiksi ja kehittyneemmiksi ne tulevat, sitä enemmän resursseja niiden kouluttamiseen ja suorittamiseen tarvitaan. 

ML‑mallien kouluttaminen vaatii paitsi laskentatehoa myös energiaa ja vettä datakeskuksissa, jotka ylläpitävät AI‑sovellusten ja -palveluiden kouluttamiseen, käyttöönottoon ja toimittamiseen tarvittavaa IT‑infrastruktuuria.

Vijay Gadepally, MIT Lincoln Laboratory Supercomputing Centerin (LLSC) vanhempi tutkija, sanoi seuraavaa pari vuotta sitten, kun tilanne oli vielä kehittymässä:

“Kun siirrymme tekstistä videoon ja kuvaan, nämä AI‑mallit kasvavat yhä suuremmiksi, ja myös niiden energiavaikutus kasvaa. Tämä kehittyy melko merkittäväksi energiankulutukseksi ja kasvavaksi päästöjen lähteeksi maailmanlaajuisesti.”

Kansainvälisen energiajärjestön (IEA) ennusteen mukaan globaalin sähkönkulutuksen osuus datakeskuksista kaksinkertaistuu arviolta 460 terawattitunnista (TWh) vuonna 2022 1 000 TWh:iin vuonna 2026, mikä on suunnilleen Japanin sähkönkulutuksen taso.

Jo nyt datakeskusten sähkönkulutus on noussut noin 1,5 % maailmanlaajuisesta sähkönkulutuksesta.

UNESCO:n ja University College Londonin (UCL) julkaisema uusi tutkimus varoittaa että AI:n, erityisesti suurten kielimallien (LLM), energiavaatimukset ovat saavuttaneet kestämättömän tason, ja muuttaakseen tätä, “tarvitsemme paradigman muutoksen käyttötavassamme.”

Raportin mukaan generatiivisia AI‑työkaluja käyttää yli miljardi ihmistä päivittäin, ja kukin vuorovaikutus kuluttaa noin 0,34 wattituntia energiaa per kehoitus. Raportti totesi:

“Tämä kertyy 310 gigawattitunniksi vuodessa, mikä vastaa yli 3 miljoonan ihmisen vuotuista sähkönkulutusta köyhässä Afrikan maassa.” 

Raportissaan tietojenkäsittelytieteen tutkijat ehdottivat kolmea keskeistä innovaatiota merkittävien energiansäästöjen mahdollistamiseksi. Näihin kuuluvat pienemmät mallit, jotka ovat yhtä älykkäitä ja tarkkoja kuin suuret, mutta voivat vähentää energiankulutusta jopa 90 %. Lisäksi lyhyemmät, tiiviimmät kehotukset ja vastaukset voivat vähentää energiankulutusta yli 50 % ja mallin pakkaus voi säästää jopa 44 % energiasta.

Tehdään tekoälystä tehokkaampaa älykkäämmällä ohjelmistolla, vihreämmällä laitteistolla

Glowing AI chip embedded in a green leaf symbolizing energy-efficient AI

Ei vain yhä useampi yksilö ottamassa AI:ta käyttöön, vaan yhä useammat organisaatiot integroituvatkin tähän teknologiaan liiketoiminnassaan.

IBM:n Institute for Business Value (IBV) toteama tutkimus paljasti, että suurin osa (77 %) kokee tarpeelliseksi käyttää generatiivista AI:ta nopeasti pysyäkseen asiakkaidensa tahdissa. 

Vuosien varrella useat muut teknologiset innovaatiot, kuten laskenta, ovat nostaneet samankaltaisia huolia, jotka ratkaistiin tehokkuusinnovaatiolla. Sama voidaan nyt tehdä AI:n kanssa. Tutkijoista yrityksiin, kaikki työskentelevät parhaillaan sen vaikutusten ymmärtämiseksi ja ratkaisujen löytämiseksi negatiivisten vaikutusten lieventämiseksi.

Näihin ratkaisuihin kuuluvat puhtaan ja uusiutuvan energian käyttö sekä pienemmät mallit ja älykkäämpi mallien koulutus. 

AI:n energiatehokkuushaasteiden ratkaisemiseksi tutkijat keskittyvät kahteen alueeseen:

• Ohjelmistoinnovaatioita
• Laitteistoparannuksia

Laitteistopuolella virrankattavuus on ratkaisu, joka voi mahdollisesti vähentää energiankulutusta jopa 15 %. Lisäksi on olemassa hiilidioksidipäästöjä vähentävä laitteisto, joka “parantaa mallin ja hiilineutraalin laitteiston yhdistelmää,” MIT:n MIT mukaan. 

Lokakuussa MIT:n Kestävyyskonferenssissa Gadepally, joka johtaa energiatietoista tutkimusta LLSC:ssä, ehdotti AI‑mallien koulutuksen uudelleenarviointia ja investointeja energiatehokkaampaan laitteistoon. MIT Lincoln Laboratory on ottanut Gadepallyn suositukset käyttöön vähentääkseen omaa datakeskusjälkeään.

Energiansäästöön voi myös vaikuttaa tehokkaampi laitteisto ja erikoistuneet kiihdyttimet. Parallelisointi, joka lyhentää algoritmin koulutusaikaa jakamalla laskennan useiden prosessoriytimien kesken, sekä reunalaskenta, joka suorittaa laskennan siellä missä data kerätään tai käytetään, ovat muita lupaavia laitteistoratkaisuja.

Tutkijat kääntyvät myös ihmisen aivojen puoleen, jossa on 100 miljardia neuronia ja 100 triljoonaa synaptisia yhteyksiä, tehdä koneista parempia. 

Tämä on johtanut neuromorfoiseen laskentaan, jossa perinteisten von Neumann -arkkitehtuurien sijaan hyödynnetään keinotekoisia neuroneja ja synapseja tiedon prosessointiin aivojen tapaan, jotta saavutetaan suurempi energiatehokkuus ja laskentateho.

Esimerkiksi tutkijat Seoul National Universityn tekniikan tiedekunnasta kehittivät² neuromorfeja laitteita, jotka perustuvat hybridi‑orgaanisiin‑epäorgaanisiin materiaaleihin.

Tutkimuksensa keskeisestä osasta professori Ho Won Jang totesi, että se “perustuu siihen, että tasainen ionien liike materiaalin pinnalla on tärkeämpää korkean suorituskykyisen neuromorfin laitteiston kehittämisessä kuin paikallisten filamenttien luominen puolijohde‑materiaaleissa.”

Valo on toinen tapa, jolla AI‑laitteistoa parannetaan. Sähköisten signaalien sijaan fotoninen laskenta käyttää valoa ja mahdollistaa rinnakkaiset toiminnot minimaalisella lämmönhäviöllä. 

Muutama kuukausi sitten Columbia Engineeringin tutkijat julkaisivat³ 3D‑valoa‑elektroniikka‑alustan, joka saavuttaa erinomaisen energiatehokkuuden ja kaistanleveyden tiheyden. Tähän he yhdistivät fotoniikan kehittyneisiin CMOS‑elektroniikkapiireihin. 3D‑integroidun fotoniikka‑elektroniikkapiirin kaistanleveys on 800 Gb/s, kuluttaen vain 120 femtojoulea per bitti. Sen 5,3 Tb/s/mm² kaistanleveyden tiheys ylittää myös nykyiset vertailuarvot.

Viime kesänä Minnesota‑yliopiston tiede‑ ja tekniikkakoulun tutkijat esittelivät uuden teknologian⁴, jota kutsutaan laskennalliseksi satunnaispääsynmuistiksi (CRAM), ja joka voi mahdollisesti vähentää AI:n energiankulutusta 1 000‑kertaisesti.

Silicon‑fotoniikka nousee häiriötekijäksi seuraavan sukupolven ML‑kiihdyttimille, ja Hewlett‑Packardin Laboratoriot esittelivät energiansäästävän ja skaalautuvan silicon‑fotoniikka‑alustan⁵ AI‑kiihdyttimien laitteistojen perustaksi.

Fotoniset AI‑kiihdyttimet, toisin kuin perinteiset, riippuvat elektronisista hajautetuista neuroverkoista (DNN), käyttävät optisia neuroverkkoja⁶ (ONN), jotka tarjoavat korkean rinnakkaisuuden, äärimmäisen alhaisen viiveen ja minimaaliset lämmönhäviöt.

Vaikka niiden valmistus on helppoa, silicon‑fotoniikka on vaikea skaalata; siksi alusta. Se valmistetaan silicon‑fotoniikalla sekä III‑V‑yhdiste‑puolijohteilla (kuten InP tai GaAs).

Nyt on olemassa uusi menetelmä, joka voi tehdä AI:sta tehokkaampaa, ja se perustuu suurten spin‑aaltokanavaverkostojen mahdollistamiseen edistyneen tiedon prosessoinnin käsittelemiseksi. Spin‑aallot ovat lupaava ratkaisu tiedon prosessointiin.

Tämä läpimurto AI‑laitteiston tehokkuudessa on saavutettu saksalaisten tutkijoiden tiimin toimesta, jotka työskentelevät Münsterin ja Heidelbergin yliopistoissa.

Rudolf Bratschitsch, Münsterin professori, johti tiimiä, joka on luonut laajan spin‑aaltokanavaverkon, joka prosessoi tietoa merkittävästi vähemmän energiaa käyttäen, mikä tekee siitä lupaavan vaihtoehdon energiaintensiiviselle elektroniikalle.

Skaalautuvat magnoniset piirit uutena rintamana energiatehokkaassa tekoälyssä

Spin waves flowing through a nanoscale circuit illustrating magnonic networks

Vaikka magnoniset verkot, jotka perustuvat magneettisiin eristeisiin, voivat mullistaa tiedon prosessoinnin energiatehokkuutensa ansiosta, näiden verkkojen rakennuspalikat, eli spin‑aaltokanavat, kärsivät tehottomista dispersio‑säätökyvyistä ja rajoitetuista spin‑aallon etenemispituuksista.

Nämä rajoitteet on ratkaistu Münsterin ja Heidelbergin tutkijoiden tiimin toimesta. 

Julkaistu tieteellisessä lehdessä Nature Materials⁷, tutkimus tarkensi uuden tavan luoda kanavia, joissa spin‑aallot voivat kulkea erittäin pitkälle, näin rakentaen tähän mennessä suurimman spin‑aaltokanavaverkon.

Mutta se ei ollut kaikki. Tiimi pystyi myös hallitsemaan spin‑aallon ominaisuuksia, jotka siirrettiin kanavassa. Esimerkiksi, tutkijat pystyivät tarkasti muuttamaan spin‑aallon aallonpituutta ja heijastusta tietyssä rajapinnassa. Tutkimus totesi:

“Kanavien dispersio voidaan jatkuvasti säätää tarkasti ja paikallisesti ionisoinnin avulla, mikä erottaa ne tavallisista kaiverretuista kanavista.” 

Elektronin spini tai sisäinen kulmamomentti on peruskvanttimekaaninen ominaisuus, jossa useiden spinttien suuntaus määrittää materiaalin magneettiset ominaisuudet. Jos vaihtovirta kytketään magneettiseen materiaaliin antennin avulla, syntyy muuttuva magneettikenttä, ja materiaalin spinit voivat tuottaa spin‑aallon.

Spin‑aallot ovat magneettisen materiaalin eksitaatioita, ja ne tarjoavat jännittäviä mahdollisuuksia edistyneeseen tiedon prosessointiin. 

Niitä tekee erityisen houkutteleviksi niiden omaleimaiset ominaisuudet, kuten luonnollinen vahva epälineaarisuus ja korkea nopeus gigahertsin (GHz) – terahertsin (THz) taajuuskaistalla.

Viime aikoina tutkijat ovat alkaneet hyödyntää spin‑aaltoja nanoskaalaisissa magneettisissa rakenteissa ja verkoissa signaalinkäsittelyyn ja laskentaan. Tämä nouseva teknologia voi auttaa ratkaisemaan perinteisten puolijohde‑mikroelektroniikan rajoituksia laskentatiheyden ja korkean‑ulottuvuuksisen prosessointikapasiteetin suhteen.

Entistä tärkeämpää on spin‑aaltoteknologian alhainen energiajalanjälki. 

Teknologian hyöty piilee sen kyvyssä koodata tieto spin‑aallon vaiheeseen, taajuuteen ja amplitudiin. Tämä strategia, aivan kuten sähkömagneettiset aallot, mahdollistaa joustavan tiedon prosessoinnin hyödyntämällä näiden parametrien vaikutusta etenemisominaisuuksiin.

Spin‑aaltoja käytetään tällä hetkellä erilaisten komponenttien luomiseen. Esimerkiksi loogiset portit, jotka suorittavat loogisia operaatioita binäärisyötteille tuottaen yhden binäärisen tuloksen, ovat yksi esimerkki. Multiplexerit ovat toinen laite, joka valitsee yhden useista sisääntulon signaaleista. 

Muita esimerkkejä ovat risteykset, couplerit, muistit, enemmistöportit, (de‑)multiplexerit, interferometrit, splitterit ja spektrianalysaattorit. 

Kaikki nämä laitteet voivat toimia itsenäisesti tiedon prosessointiyksikköinä tai integroitua suurempiin, monimutkaisiin verkkoihin, joilla on kehittyneitä toimintoja.

Suuremmassa verkossa elementtien väliset yhteydet ovat räätälöityjä spin‑aaltokanavia. Nämä kanavat ovat tärkeitä sekä spin‑aaltojen rajoittamisessa että ohjaamisessa elementistä toiseen, ja niin ne vaativat minimaalisen etenemismenetyksen. Tällaiset kanavat ja niiden yhdistelmät toimivat myös toiminnallisina spin‑aaltolaitteina.

Komponentteja ei kuitenkaan ole tähän mennessä yhdistetty suuremmaksi piiriksi.

“Se, että suurempia verkkoja, kuten elektroniikassa käytettyjä, ei ole vielä rakennettu, johtuu osittain spin‑aaltojen voimakkaasta vaimenemisesta kanavissa, jotka yhdistävät yksittäisiä kytkentäelementtejä – erityisesti jos ne ovat kapeampia kuin mikrometri ja siten nanoskaalaisia.”

– Professori Bratschitsch

Tiimi ratkaisi ongelman käyttämällä materiaalia, jolla on tällä hetkellä alhaisin vaimennus, nimittäin yttriumrauta‑garnetti (YIG). Sillä on alhaisin vaimennus ja pisin spin‑aallon etenemismatka, joka ulottuu millimetreihin. 

Spin‑aaltokanavien toteuttamisessa käytetään yleensä litografisia menetelmiä. YIG‑ohutkalvojen reaktiivinen ionisointi on kehittynyt valmistusmenetelmä, mutta vaikka YIG‑kalvot ovat korkealaatuisia ja kaiveruuprosessit huippuluokkaa, enimmillään raportoitu etenemismatka on 54 µm.

Hybridirakenteiden kehittäminen on toinen nouseva lähestymistapa, jossa YIG‑kalvot yhdistetään ferromagneettisen metallin nanokaistaleihin määrittelemään nanoskaalaisia spin‑aallon kuljetuskanavia dipolaarisen kytkennän avulla, mikä tuottaa spin‑aallon etenemispituuksia noin 20 µm.

Ionisointi on myös käytetty YIG:ssä spin‑aaltojen manipulointiin. Fokusoitu ionisuihku on mahdollistanut YIG‑kalvojen tarkkojen muutosten tekemisen alimmalla mikrometrillä.

Tässä projektissa tutkijat käyttivät kaupallisesti saatavilla olevaa 110 nm paksuista YIG‑kalvoa ja kaiverivat siihen yksittäisiä spin‑aaltokanavia piisumi‑ioni‑suihkun avulla. 

Maskitonta ionisointiprosessia hyödyntäen luotiin useita räätälöityjä spin‑aaltorakenteita yhdelle alustoille. Vielä tärkeämpää on, että prosessi skaalautuu wafer‑kokoisten magnonisten integroitujen piirejen valmistukseen. 

Kultainen mikrokaistale‑antenni valmistettiin myös elektronisäde‑litografialla, jotta se voisi innostaa spin‑aaltoja jatkuvalla mikroaaltosignaalilla. Ulkoinen staattinen tasosuuntainen magneettikenttä H0, jonka arvo on μ0H0 = 50 mT, asetettiin käynnistämään pintamoodin spin‑aaltoja.

Tällä tavoin he pystyivät tuottamaan suuren verkon, jossa on 198 solmua, avaten ovet laajamittaisille magnonisille integroiduille piireille. Se mahdollistaa myös monimutkaisten, korkean laadun rakenteiden luomisen toistettavasti ja joustavasti.

Lisäksi tiimi saavutti spin‑aallon etenemispituuden yli 100 µm, ja heidän kaiverrettava lähestymistapansa mahdollisti integroidun spin‑aaltoverkon, jossa on 34 rinnakkaista sisääntuloporttia ja 34 ulostuloporttia. Tutkimus totesi:

“Nämä tulokset raivaavat tietä edistyneiden magnonisten verkkojen toteuttamiselle, joilla on ennennäkemätön hallinta ja jännittäviä mahdollisuuksia matala‑häviöisten, laajamittaisten spin‑aaltolaskentajärjestelmien toteuttamiseen.” 

Investoiminen energiatehokkaaseen AI:hin

Tekoälyn maailmassa NVIDIA Corporation (NVDA )
on selvä johtaja AI‑kiihdyttimillään ja siruillaan. Yli 4 triljoonan dollarin markkina-arvolla maailman suurin yritys, NVIDIA, on myös investoinut energiatehokkaisiin arkkitehtuureihin.

NVIDIA Corporation (NVDA )

Nvidian GPU:t tarjoavat suorituskyky‑per‑watti‑parannuksia. Erityisesti Blackwell‑arkkitehtuuri lupaa generatiivisen AI:n triljoona‑parametrisen LLM:n käsittelyn jopa 25‑kertaisella kustannus‑ ja energiankulutuksen vähenemällä verrattuna edelliseen Hopper‑arkkitehtuuriin.

Blackwell, jonka perusti toimitusjohtaja Jensen Huang, , sanoi viime vuonna, että se on suunniteltu “erittäin suorituskykyiseksi ja erittäin energiatehokkaaksi.”

Nvidia tarjoaa myös nestekyltytysjärjestelmiä, NVIDIA GB200 NVL72 ja NVIDIA GB300 NVL72, jotka käsittelevät vaativia LLM‑inferenssitehtäviä arkkitehtuurillaan, joka on erityisesti optimoitu testiaikaisen skaalauksen tarkkuudelle ja suorituskyvylle.

Teknologiayritys on myös mukana reunalla tapahtuvassa AI‑tutkimuksessa ja -kehityksessä NVIDIA EGX™‑alustansa kautta, joka yhdistää tehokkaan laskennan, etähallinnan sekä järjestelmä‑ ja ohjelmistot tuodakseen AI:n reunalle. NVIDIA IGX Orin™ on suunniteltu teollisuus‑ ja lääketieteellisiin ympäristöihin, kun NVIDIA Jetson™‑alusta on sen robotiikkaratkaisu.

Toinen Nvidian tutkimusalue on fotoniikka. Tänä vuonna yhtiö ilmoitti uusista yhteispakatuista silikonifotonisista verkko‑kytkimistä, jotka yhdistävät miljoonia GPU:ita eri paikoissa samalla kun ne vähentävät energiankulutusta ja käyttökustannuksia. 

“Integroimalla silikonifotonikkaa suoraan kytkimiin, NVIDIA rikkoo vanhat rajoitukset hyperskaala‑ ja yritysverkkojen osalta ja avaa portit miljoonan‑GPU:n AI‑tehtaisiin.”

– Huang

Uusi teknologia käyttää laservalon säteitä tiedon siirtämiseen kuitu‑optisissa kaapeleissa sirujen välillä. Se julkaistaan myöhemmin tänä vuonna ja vuonna 2026.

Yhtiö on myös tutkinut sen laajempaa käyttöä lippulaiva‑GPU‑siruihinsa, mutta tällä hetkellä ei ole suunnitelmia, sillä perinteiset kupariyhteydet ovat edelleen “satojen kertoja” luotettavampia kuin yhteispakatut optiset yhteydet.

Kun tarkastellaan Nvidian markkinasuorituskykyä, se on ollut poikkeuksellista. Lokakuussa 2022 NVDA‑osakkeet olivat alle 11 $, ja ne kaupataan nykyään yli 165 $. Tämän myötä yhtiöllä on EPS (TTM) 3,10 ja P/E (TTM) 53,12. Yhtiö tarjoaa myös osinkotuoton, vaikka se on vain 0,02 %.

Taloudellisista tiedoista: ensimmäisellä 2026‑tilikauden neljännesteljänneksellä Nvidia raportoi liikevaihdoksi 44,1 miljardia $, 12 % kasvua edellisestä neljännesteljänneksestä, kun datakeskusliikevaihto oli 39,1 miljardia $, 10 % nousu edellisestä neljännesteljänneksestä.

Nvidian AI‑infrastruktuurin kysyntä on “uskomattoman vahvaa,” Huang totesi.

Latest NVIDIA Corporation (NVDA) Stock News and Developments

Johtopäätös

Kun maailma jatkaa AI:n omaksumista, mikä lupaa lisääntynyttä tehokkuutta, parempaa tuottavuutta, parannettua päätöksentekoa ja henkilökohtaisia kokemuksia, tämän voimakkaan teknologian markkinoiden odotetaan arvon nousevan monen miljardin dollarin tasolle vuonna 2025.

Mutta kun energianhimoinen AI:n kysyntä kasvaa, myös sen energiatarve kasvaa, mikä rasittaa energiaverkkoja ja nostaa kasvihuonekaasupäästöjä.

Todellisen energiatehokkaan AI:n saavuttamiseksi tarvitaan koordinoituja ponnistuksia sekä ohjelmiston että laitteiston kehityksessä. Tätä taustaa vasten innovaatiot, kuten älykkäämpi mallikoulutus, pienemmät mallit, tiiviit kehotukset, mallin pakkaus, neuromorfiikka, reunalla tapahtuva AI ja fotonikka voivat auttaa luomaan tulevaisuuden, jossa mittakaava ei vaadi kestämättömiä energiavaatimuksia.

Tässä, spin‑aaltolaskennan viimeisin läpimurto voi määritellä matalan virrankulutuksen, korkean suorituskyvyn laskennan tulevaisuuden, mahdollisesti muodostuen perustaksi seuraavan sukupolven AI‑arkkitehtuureille.

Klikkaa tästä oppiaksesi kaiken tekoälyyn sijoittamisesta.

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