Réseaux à ondes de spin : la prochaine avancée vers une IA efficace

L'intelligence artificielle (IA) est transformer notre façon de en direct. Avec son potentiel de révolutionner les industries, la technologie devrait pour générer des milliers de milliards de valeur.

Des soins de santé à l’éducation, en passant par les transports, le divertissement et la finance, l’IA a considérablement amélioré l’efficacité et la précision dans tous les secteurs.L'IA a également contribué à améliorer l'efficacité énergétique. Par exemple, des scientifiques du monde entier ont collaboré pour créer des ¹ une nouvelle classe de matériaux utilisant l'IA qui permet de réduire les coûts énergétiques.

Mais qu’en est-il des énormes besoins énergétiques de l’IA elle-même ? L'IA, gourmande en énergie, représente un défi majeur. Avec l'essor rapide des applications d'IA, demande d'énergie augmente également de façon spectaculaire, ce qui met à rude épreuve nos infrastructures énergétiques.

Les modèles d'apprentissage automatique (ML) deviennent chaque jour plus complexes. Plus ils sont volumineux et sophistiqués, plus les besoins en ressources pour les entraîner et les exécuter sont importants. 

Entraînement des modèles ML a besoin non seulement des ressources informatiques, mais aussi de l’énergie et de l’eau pour les centres de données qui abritent l’infrastructure informatique nécessaire pour former, déployer et fournir des applications et des services d’IA.

Vijay Gadepally, scientifique principal au MIT Lincoln Laboratory Supercomputing Center (LLSC), avait dit le suivant il y a quelques années, alors que la situation était encore en cours d'évolution :

"À mesure que nous passons du texte à la vidéo puis à l’image, ces modèles d’IA deviennent de plus en plus grands, tout comme leur impact énergétique. Cela va représenter une part considérable de la consommation d’énergie et contribuer de plus en plus aux émissions à travers le monde. »

Selon les prévisions de l’Agence internationale de l’énergie (AIE), la demande mondiale d’électricité des centres de données va augmenter. double d’environ 460 térawattheures (TWh) en 2022 à 1,000 2026 TWh en XNUMX, ce qui équivaut à peu près à la consommation d’électricité du Japon.

La consommation d’électricité des centres de données a déjà atteint environ 1.5 % de la consommation mondiale d'électricité.

Une nouvelle étude publiée par l'UNESCO et l'University College London (UCL) met en garde que les besoins énergétiques de l'IA, en particulier des grands modèles de langage (LLM), ont atteint des niveaux insoutenables, et Pour changer cela, « nous avons besoin d’un changement de paradigme dans la façon dont nous l’utilisons ».

Selon leur rapport, les outils Gen AI sont utilisé par plus d'un milliard de personnes chaque jour, au Chaque interaction consomme environ 0.34 wattheure d'énergie par message. Il est indiqué :

« Cela représente 310 gigawattheures par an, soit l’équivalent de la consommation annuelle d’électricité de plus de 3 millions de personnes dans un pays africain à faible revenu. » 

Dans leur rapport, l’équipe d’informaticiens suggère trois innovations clés pour permettre des économies d’énergie substantielles. Ce Cela inclut l'utilisation de modèles plus petits, tout aussi intelligents et précis que les grands, mais qui permettent de réduire la consommation d'énergie jusqu'à 90 %. Des invites et des réponses plus courtes et concises peuvent également réduire la consommation d'énergie de plus de 50 %, tandis que la compression du modèle permet d'économiser jusqu'à 44 % d'énergie.

Rendre l'IA plus efficace grâce à des logiciels plus intelligents et du matériel plus écologique

Puce d'IA lumineuse intégrée dans une feuille verte symbolisant une IA économe en énergie

Pas juste un nombre croissant de personnes Sont de plus en plus adopter l'IA, mais de plus en plus d'organisations intègrent également cette technologie développement Leurs affaires.

Une étude réalisée par la IBM Institut pour la valeur des entreprises (IBV) a révélé que la majorité (77 %) ressent le besoin d'utiliser génératif L'IA évolue rapidement pour suivre le rythme de ses clients. 

Au fil des ans, plusieurs d’autres innovations technologiques, tel as l'informatique, ont soulevé des préoccupations similaires, qui ont ensuite été abordés par des innovations en matière d'efficacité. la même chose peut désormais être faite avec l’IA. Des chercheurs aux entreprises, chacun travaille actuellement à comprendre son impact et à trouver des solutions. haute qualité pour atténuer ses effets négatifs.

Ces solutions comprennent l’utilisation d’énergies propres et renouvelables, ainsi que des modèles plus petits et une formation de modèles plus intelligente. 

Pour relever les défis de l'efficacité énergétique de l'IA, les chercheurs sont concentrés en deux façades :

• Innovations logicielles
• Améliorations matérielles

Dans le domaine du matériel, le plafonnement de la puissance est une solution qui peut l'éventualité réduire la consommation d’énergie jusqu’à 15 %. Il existe également du matériel à faible émission de carbone, qui « correspond à un modèle avec la combinaison de matériel la plus efficace en carbone », selon MIT. 

Lors de la conférence du MIT sur le développement durable en octobre, Gadepally, qui dirige les efforts de recherche sur l'énergie à SLLC, Il a suggéré de repenser la formation des modèles d'IA et d'investir dans du matériel plus performant. Le laboratoire Lincoln du MIT a appliqué les recommandations de Gadepally pour réduire ses propre empreinte du centre de données.

L'utilisation de matériel informatique plus efficace et d'accélérateurs matériels spécialisés peut également contribuerContribuer aux économies d'énergie. La parallélisation, qui réduit le temps d'apprentissage de l'algorithme en répartissant les calculs entre plusieurs cœurs de traitement, et l'informatique de pointe, qui effectue les calculs là où les données sont collectées ou utilisées, sont d'autres promesses.solutions matérielles.

Les scientifiques se tournent également vers le cerveau humain, qui compte 100 milliards de neurones et 100 XNUMX milliards connexions synaptiques, pour améliorer les machines. 

Ce a conduit à l'informatique neuromorphique, qui, plutôt ; de s'appuyer sur le von Neumann traditionnel architectures, utilise des neurones et des synapses artificiels pour traiter les informations d'une manière similaire au cerveau afin d'obtenir une plus grande efficacité énergétique et une plus grande puissance de calcul.

Pour exemple, chercheurs de la faculté d'ingénierie de l'université nationale de Séoul en réponse² dispositifs neuromorphiques basés sur des matériaux hybrides organiques-inorganiques.

Parlant de la partie clé de leur recherche, le professeur Ho Won Jang a noté que «réside dans la démonstration que le mouvement uniforme des ions sur la surface du matériau est plus important pour développer du matériel neuromorphique haute performance que la création de filaments localisés dans semi-conducteur matériaux. »

La lumière est une autre façon dont le matériel d'IA est en cours d'améliorationAu lieu de signaux électriques, l’informatique photonique utilise la lumière et permet des opérations parallèles avec une perte de chaleur minimale. 

Il y a quelques mois à peine, des chercheurs de Columbia Engineering libéré³ Une plateforme photonique-électronique 3D offrant une excellente efficacité énergétique et une excellente densité de bande passante. Pour cela, ils ont intégré la photonique à des circuits électroniques CMOS avancés. La puce photonique-électronique 3D intégrée offre une bande passante élevée (800 Gbit/s) tout en consommant seulement 120 femtojoules par bit. Il n'est La densité de bande passante de 5.3 Tb/s/mm2 dépasse également les références existantes.

L'été dernier, des chercheurs de l'Université du Minnesota College of Science and Engineering, quant à eux, a montré un nouvelle technologie⁴ appelée mémoire vive computationnelle (CRAM) qui peut potentiellement réduire la consommation d'énergie de l'IA de 1,000 XNUMX fois.

La photonique sur silicium émergeant comme une technologie disruptive pour les accélérateurs de nouvelle génération pour le ML, les chercheurs de Hewlett-Packard Les laboratoires ont introduit⁵ une plate-forme photonique en silicium économe en énergie et évolutive pour servir de base au matériel d'accélération de l'IA.

Accélérateurs d'IA photonique, contrairement aux traditionnels, qui dépendent des réseaux neuronaux distribués électroniques (DNN), utilisation réseaux de neurones optiques⁶ (ONN) qui offrent un parallélisme élevé, une latence extrêmement faible et une perte de chaleur minimale.

Bien que facile à fabriquer, photonique sur silicium sont difficiles à échelle; d'où la plateforme. Il est fabriqué en utilisant la photonique sur silicium ainsi que des semi-conducteurs composés III-V (comme InP ou GaAs).

Il existe désormais une nouvelle méthode qui peut rendre l’IA plus efficace, et Cela permet aux grands réseaux de guides d'ondes de spin de gérer le traitement d'informations avancées. Les ondes de spin constituent une solution prometteuse pour le traitement de l'information.

Cette avancée dans l'efficacité du matériel d'IA est réalisée par une équipe de scientifiques allemands des universités de Münster et de Heidelberg.

Dirigée par Rudolf Bratschitsch, professeur de physique à Münster, l'équipe a créé un vaste réseau de guides d'ondes de spin qui traite l'information avec beaucoup moins d'énergie, ce qui en fait une alternative prometteuse à l'électronique gourmande en énergie.

Les circuits magnoniques évolutifs : la nouvelle frontière de l'IA économe en énergie

Ondes de spin circulant dans un circuit nanométrique illustrant les réseaux magnoniques

Alors que les réseaux magnoniques basés sur des isolants magnétiques peuvent révolutionner le traitement de l'information en raison de leur efficacité énergétique, les éléments constitutifs de ces réseaux, à savoir les guides d'ondes de spin, souffrent de capacités de réglage de dispersion inefficaces et de longueurs de propagation d'ondes de spin limitées.

Ces limitations ont été abordées par l’équipe de scientifiques de Münster et de Heidelberg. 

Publié dans la revue scientifique Nature Materials⁷, le étude détaillée du développement d'une nouvelle façon de créer des guides d'ondes dans lesquels les ondes de spin peuvent se propager très loin, ainsi construire le plus grand réseau de guides d'ondes de spin à ce jour. 

Mais ce n'est pas tout. L'équipe a également pu contrôler les propriétés de l'onde de spin a été transmis dans le guide d'ondes. Pour exemple, Les scientifiques ont pu modifier avec précision la longueur d'onde et la réflexion de l'onde de spin à une interface donnée. L'étude a noté :

"La dispersion des guides d'ondes peut être réglée en continu en raison de l'implantation ionique précise et localisée, qui les distingue des guides d'ondes couramment gravés. » 

Le spin électronique ou moment angulaire intrinsèque est une propriété fondamentale de la mécanique quantique des électrons, où L'alignement de plusieurs spins détermine les propriétés magnétiques. Or, si un courant alternatif est appliqué à un matériau magnétique avec une antenne, un champ magnétique changeant est produit, et les spins dans le matériau peuvent générer une onde de spin.

Les ondes de spin sont des excitations d'un matériau magnétique, et ils présentent des possibilités intéressantes pour le traitement avancé de l’information. 

Ce qui les rend vraiment attrayants, ce sont leurs caractéristiques distinctes, comme une non-linéarité naturelle forte et un fonctionnement à grande vitesse dans la bande de fréquences du gigahertz (GHz) au térahertz (THz).

Récemment, les chercheurs ont commencé à utiliser les ondes de spin dans les structures et réseaux magnétiques nanométriques pour le traitement du signal et les applications informatiques. Cette technologie émergente peut contribuer à surmonter les limites inhérentes à la microélectronique traditionnelle à semi-conducteurs en termes de densité de calcul et de capacité de traitement en haute dimension.

Plus important encore, c’est la faible empreinte énergétique de la technologie des ondes de spin qui est particulièrement attrayante. 

L'utilité de cette technologie réside dans sa capacité à coder l'information selon la phase, la fréquence et l'amplitude des ondes de spin. Cette stratégie, à l'instar des ondes électromagnétiques, permet une grande flexibilité de traitement des données en tirant parti de la dépendance des attributs de propagation à ces paramètres.

Ondes de rotation sont actuellement utilisés Pour créer différents composants individuels. Portes logiques effectuant des opérations logiques sur des entrées binaires pour produire une sortie binaire unique. Ces Un exemple. Les multiplexeurs sont un autre type d'appareil qui sélectionne l'un des nombreux signaux d'entrée. 

D'autres exemples incluent les croisements, les coupleurs, les mémoires, les portes majoritaires, les (dé-)multiplexeurs, les interféromètres, les séparateurs et les analyseurs de spectre. 

Tous ces appareils peuvent fonctionner de manière indépendante comme unités de traitement d’informations ou s’intégrer dans des réseaux plus grands et complexes dotés de fonctionnalités avancées.

Dans un grand réseau, les liens entre les éléments sont des guides d'ondes personnalisés pour les ondes de spin. Ces guides d'ondes sont importants pour confiner et guider les ondes de spin d'un élément à un autre et, as nécessitent des pertes de propagation minimales. Ces guides d'ondes et leurs combinaisons servent également en tant que dispositifs fonctionnels à ondes de spin.

Les composants, cependant, n'ont pas été connectés pour former un plus grand circuit jusqu'à maintenant.

« Le fait que les réseaux plus grands tels que ceux utilisés dans l’électronique n’aient pas encore était réalisé, est en partie due à la forte atténuation des ondes de spin dans les guides d'ondes qui relient les commutateurs individuels éléments - surtout s’ils sont plus étroits qu’un micromètre et donc à l’échelle nanométrique. »

– Professeur physicien Bratschitsch

Pour surmonter ce problème, l'équipe a donc utilisé le matériau qui présente actuellement la plus faible atténuation, à savoir le grenat de fer et d'yttrium (YIG). Il présente l'amortissement le plus faible et la longueur de propagation la plus élevée des ondes de spin, atteignant des millimètres. 

Quant à la réalisation de guides d'ondes pour les ondes de spin, les approches lithographiques sont généralement utilisés. Pour créer des guides d'ondes à l'échelle nanométrique en YIG, l'approche de fabrication avancée est basé sur la gravure ionique réactive de couches minces de YIG. Cependant, même avec des couches de YIG de haute qualité et des procédés de gravure de pointe, la longueur de propagation maximale ça a été rapporté est de 54 µm.

Le développement de structures hybrides est une autre approche émergente dans laquelle les films YIG sont combinés avec des nanobandes de métal ferromagnétique pour définir des canaux de transport d'ondes de spin nanoscopiques par couplage dipolaire, qui crée des longueurs de propagation d'ondes de spin d'environ 20 µm.

Ensuite, il y a l'implantation ionique, qui a été récemment utilisé Manipuler les ondes de spin dans le YIG. L'écriture par faisceau d'ions focalisés a permis la modification précise des films YIG à l'échelle submicrométrique.

Les scientifiques ont donc utilisé une lentille de 110 nm disponible dans le commerce. épaisse film de matériau magnétique YIG, puis inscrit des guides d'ondes de spin individuels à l'aide d'un faisceau de silicium des ions. 

Le procédé d'implantation sans masque a permis de créer plusieurs structures à ondes de spin sur mesure sur un même substrat. Mais surtout, il peut être déployé à plus grande échelle pour fabriquer des circuits intégrés magnoniques de la taille d'une plaquette. 

Une antenne microruban en or a également été fabriquée à partir d'un film lithographique par faisceau d'électrons pour exciter les ondes de spin avec un signal micro-onde continu. Un champ magnétique statique externe dans le plan H0 de μ0H0 = 50 mT a été appliqué pour lancer des ondes de spin en mode de surface.

Ils ont ainsi pu produire un vaste réseau de 198 nœuds, ouvrant la voie à des circuits intégrés magnoniques à grande échelle. Cela permet également de réaliser des structures complexes de haute qualité. Être créé de manière reproductible et flexible.

De plus, l’équipe a obtenu une longueur de propagation d’onde de spin de plus de 100 µm, et Leur approche sans gravure leur a permis de disposer d'un réseau intégré à ondes de spin, composé de 34 ports d'entrée et de 34 sorties parallèles. L'étude indiquait :

« Ces résultats ouvrent la voie à la réalisation de réseaux magnoniques avancés avec un contrôle inégalé et des perspectives passionnantes pour la réalisation de systèmes de calcul à ondes de spin à grande échelle et à faible perte. » 

Investir dans une IA efficace

Dans le monde de l'intelligence artificielle, NVIDIA Corporation (NVDA )
est le leader incontesté de ses accélérateurs et puces d'IA. Première entreprise mondiale avec une capitalisation boursière de plus de 4 XNUMX milliards de dollars, Nvidia, investit également dans des architectures économes en énergie.

NVIDIA Corporation (NVDA )

Les GPU de Nvidia offrent des performances par watt améliorées. Son architecture Blackwell, en particulier, promet une IA de nouvelle génération sur des paramètres à plusieurs milliards de dollars. Les LLM coûtent jusqu'à 25 fois moins cher et consomment moins d'énergie que ses architecture Hopper précédente.

Blackwell, fondée par Jensen Huang, le PDG, dit l'année dernière, est conçu être « très performant et très économe en énergie ».

Nvidia propose également des systèmes de refroidissement liquide, le NVIDIA GB200 NVL72 et le NVIDIA GB300 NVL72, pour gérer les tâches exigeantes de l'inférence LLM avec leur architecture spécifiquement optimisée pour la précision et les performances de mise à l'échelle au moment des tests.

Le géant technologique est également impliqué dans la recherche et le développement en IA de pointe avec sa plateforme NVIDIA EGX™, qui combine puissance de calcul, gestion à distance, systèmes et logiciels pour amener l'IA à la périphérie. NVIDIA IGX Orin™ est conçu pour les environnements industriels et médicaux. tout en la plateforme NVIDIA Jetson™ est sa solution robotique.

Un autre domaine de recherche de Nvidia est la photonique. Plus tôt cette année, l'entreprise a annoncé ses nouveaux commutateurs réseau photoniques en silicium co-packagés, permettant de connecter des millions de GPU sur plusieurs sites tout en réduisant la consommation d'énergie et les coûts d'exploitation. 

"En intégrant la photonique sur silicium directement dans les commutateurs, NVIDIA brise les anciennes limites des réseaux hyperscale et d'entreprise et ouvre la porte à des usines d'IA à millions de GPU.

– Huang

Cette nouvelle technologie utilise des faisceaux laser pour transmettre des informations entre les puces via des câbles à fibre optique. Elle sera disponible plus tard cette année et en 2026.

La société a également envisagé de l'utiliser plus largement dans ses puces GPU phares, mais n'a actuellement pas l'intention de le faire, car les connexions en cuivre traditionnelles sont encore « d'ordres de grandeur » plus fiables que les connexions optiques co-packagées.

La performance boursière de Nvidia est tout simplement extraordinaire. En octobre 2022, l'action NVDA est passée sous la barre des 11 $ et s'échange actuellement au-dessus de 165 $. L'entreprise affiche ainsi un BPA (sur 3.10 mois) de 53.12 et un PER (sur XNUMX mois) de XNUMX. L'entreprise offre même un rendement sur dividendes. bien que seulement 0.02 %.

En ce qui concerne les finances, pour le premier trimestre de l'exercice 2026, Nvidia a déclaré un chiffre d'affaires de 44.1 milliards de dollars, en hausse de 12 % par rapport au quatrième trimestre. tout en Les revenus des centres de données ont atteint 39.1 milliards de dollars, soit une augmentation de 10 % par rapport au trimestre précédent.

La demande pour l’infrastructure d’IA de l’entreprise, a noté Huang, est « incroyablement forte ».

Actualités et développements récents concernant les actions de NVIDIA Corporation (NVDA)

Conclusion

Alors que le monde continue d'adopter l'IA, qui promet une efficacité accrue, une productivité améliorée, une prise de décision améliorée et des expériences personnalisées, le marché de cette puissante technologie devrait vaudra plusieurs milliards de dollars en 2025.

Mais à mesure que la demande en IA gourmande en énergie augmente, do ses besoins énergétiques, ce qui signifie une pression sur les réseaux énergétiques et une augmentation des émissions de gaz à effet de serre.

Afin de parvenir à une IA véritablement efficace, des efforts coordonnés sont nécessaires dans l’évolution des logiciels et du matériel. Dans ce contexte, des innovations telles qu'une formation de modèles plus intelligente, des modèles plus petits, des invites concises et la compression de modèles, informatique neuromorphique, IA de pointe et photonique Cela pourrait contribuer à créer un avenir où l’échelle ne doit pas nécessairement s’accompagner de demandes énergétiques insoutenables.

Ici le derniers Une avancée majeure dans le domaine du calcul par ondes de spin pourrait définir l'avenir du calcul à faible consommation et à hautes performances, devenant potentiellement fondamentale pour les architectures d'IA de nouvelle génération.

Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle.

Références:

1. Xiao, C. ; Liu, M. ; Yao, K. ; et al. Émetteurs thermiques à bande ultra-large et sélective par apprentissage automatique. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Kim, SJ; Im, IH; Baek, JH; et al. Réseaux de memristors à base de pérovskite halogénure bidimensionnels programmables linéairement pour le calcul neuromorphique. Nat. Nanotechnologie. 2025 2083-92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S. ; Rizzo, A. ; Lee, S. ; et al. Intégration photonique tridimensionnelle pour liaisons de données interpuces à très faible énergie et à large bande passante. Nat. Photon. 2025, 19, 502–509. https://doi.org/10.1038/s41566-025-01633-0
4. Lv, Y.; Zink, BR; Bloom, RP; et al. Démonstration expérimentale de la mémoire vive computationnelle basée sur la jonction tunnel magnétique. npj Non-conv. Calculer. 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. Plateforme de dispositifs photoniques intégrés à grande échelle pour les accélérateurs d'IA/ML économes en énergie. IEEE J. Sel. Haut. Electron quantique. 2025, 31(3), article 8200326. https://doi.org/10.1109/JSTQE.2025.3527904
6. Fu, T.; Zhang, J.; Sun, R.; et al. Réseaux de neurones optiques : progrès et défis. Lumière Sci. Appl. 2024 13 263. https://doi.org/10.1038/s41377-024-01590-3
7. Bensmann, J.; Schmidt, R.; Nikolaev, KO; et al. Guides d'ondes de spin implantés à faible perte et accordables en dispersion pour les grands réseaux magnoniques. Nat. Maître. 2025. https://doi.org/10.1038/s41563-025-02282-y