Réseaux d’Ondes de Spin: le Prochain Bond dans le Calcul IA Efficace

L’intelligence artificielle (IA) est en train de transformer notre façon de vivre. Avec son potentiel de révolutionner les industries, la technologie est attendue pour générer des billions de valeur.

De la santé à l’éducation, aux transports, aux divertissements et aux finances, l’IA a considérablement amélioré l’efficacité et la précision dans tous les secteurs. L’IA contribue également à améliorer l’efficacité énergétique. Par exemple, des scientifiques du monde entier ont collaboré pour créer¹ une nouvelle classe de matériau utilisant l’IA qui aide à 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 grand défi. Avec la montée rapide des applications d’IA, la demande d’énergie augmente également de façon spectaculaire, mettant ainsi à rude épreuve notre infrastructure énergétique.

Chaque jour, les modèles d’apprentissage automatique (ML) deviennent de plus en plus complexes. Et plus ils sont grands et sophistiqués, plus les besoins en ressources pour entraîner et exécuter ces modèles augmentent. 

Entraîner des modèles ML nécessite non seulement des ressources informatiques mais aussi de l’énergie et de l’eau pour les centres de données qui hébergent l’infrastructure informatique nécessaire à l’entraînement, au déploiement et à la fourniture d’applications et de services IA.

Vijay Gadepally, un scientifique senior du MIT Lincoln Laboratory Supercomputing Center (LLSC), avait dit ce qui suit il y a quelques années, alors que la situation était encore en développement:

“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 se transformer en une consommation d’énergie assez importante et en un contributeur croissant 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 doublera de 460 térawattheures (TWh) en 2022 à 1 000 TWh en 2026, ce qui équivaut approximativement à la consommation électrique du Japon.

Déjà, la consommation d’électricité des centres de données a atteint environ 1,5 % de la consommation mondiale d’électricité.

Une nouvelle recherche publiée par l’UNESCO et l’University College London (UCL) avertit que les besoins énergétiques de l’IA, en particulier les 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 d’IA générative sont utilisés quotidiennement par plus d’un milliard de personnes, chaque interaction consommant environ 0,34 wattheure d’énergie par requête. Ils ont déclaré:

“Cette consommation s’élève à 310 gigawattheures par an, équivalente à la consommation annuelle d’électricité de plus de 3 millions de personnes dans un pays africain à faible revenu.” 

Dans leur rapport, l’équipe de scientifiques informatiques a suggéré trois innovations clés pour permettre des économies d’énergie substantielles. Cela comprend l’utilisation de modèles plus petits, tout aussi intelligents et précis que les grands, mais pouvant réduire la consommation d’énergie jusqu’à 90 %. Ensuite, il y a des invites et réponses plus courtes et concises qui peuvent réduire la consommation d’énergie de plus de 50 % tandis que la compression de modèle peut économiser jusqu’à 44 % d’énergie.

Rendre l’IA plus efficace avec des logiciels plus intelligents, du matériel plus vert

Puce IA lumineuse intégrée dans une feuille verte symbolisant une IA écoénergétique

Ce n’est pas seulement un nombre croissant d’individus qui adoptent de plus en plus l’IA, mais de plus en plus d’organisations intègrent également cette technologie dans leurs activités.

Une étude de l’IBM Institute for Business Value (IBV) a révélé que la majorité (77 %) ressent le besoin d’utiliser rapidement l’IA générative pour suivre le rythme de leurs clients. 

Au fil des ans, plusieurs autres innovations technologiques, comme l’informatique, ont soulevé des préoccupations similaires, qui ont ensuite été traitées grâce à des innovations d’efficacité. La même chose peut désormais être faite avec l’IA. Des chercheurs aux entreprises, tout le monde travaille actuellement à comprendre son impact et à trouver des solutions pour atténuer ses effets négatifs.

Ces solutions comprennent l’utilisation d’énergie propre et renouvelable, ainsi que des modèles plus petits et un entraînement de modèle plus intelligent. 

Pour relever les défis d’efficacité énergétique de l’IA, les chercheurs se concentrent sur deux fronts:

• Innovations logicielles
• Améliorations matérielles

Dans le domaine du matériel, la limitation de puissance est une solution qui peut potentiellement réduire la consommation d’énergie jusqu’à 15 %. Il existe également du matériel à faible empreinte carbone, qui « associe un modèle au mélange de matériel le plus économe en carbone », selon le MIT. 

Lors de la conférence MIT Sustainability en octobre, Gadepally, qui dirige les efforts de recherche sensibles à l’énergie au LLSC, a suggéré de repenser l’entraînement des modèles d’IA et d’investir dans du matériel plus efficace. Le MIT Lincoln Laboratory a mis en œuvre les recommandations de Gadepally pour réduire son propre empreinte de centre de données.

L’utilisation d’un matériel plus efficace sur le plan computationnel et d’accélérateurs matériels spécialisés peut également contribuer aux économies d’énergie. La parallélisation, qui réduit le temps d’entraînement de l’algorithme en répartissant le calcul entre plusieurs cœurs de traitement, et l’informatique en périphérie, qui effectue le calcul aux endroits où les données sont collectées ou utilisées, sont d’autres solutions matérielles prometteuses.

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

Cela a conduit à l’informatique neuromorphique, qui, au lieu de s’appuyer sur les architectures traditionnelles de von Neumann, utilise des neurones et des synapses artificiels pour traiter l’information de manière similaire au cerveau, afin d’obtenir une plus grande efficacité énergétique et une puissance de calcul supérieure.

Par exemple, des chercheurs du College of Engineering de l’Université nationale de Séoul ont développé des dispositifs neuromorphiques basés sur des matériaux hybrides organiques‑inorganiques.

En parlant de la partie clé de leurs recherches, le professeur Ho Won Jang a souligné que cela « réside dans la démonstration que le mouvement ionique uniforme à travers la surface du matériau est plus important pour développer du matériel neuromorphique haute performance que la création de filaments localisés dans les matériaux semi‑conducteurs ». 

La lumière est une autre façon d’améliorer le matériel IA. Au 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 seulement, des chercheurs de Columbia Engineering ont publié une plateforme photono‑électronique 3D qui atteint une grande efficacité énergétique et une densité de bande passante élevée. Pour cela, ils ont intégré la photonique aux circuits électroniques CMOS avancés. La puce photono‑électronique intégrée en 3D offre une bande passante élevée (800 Gb/s) tout en ne consommant que 120 fémtojoules par bit. Sa densité de bande passante de 5,3 Tb/s/mm² dépasse également les références existantes.

L’été dernier, des chercheurs du College of Science and Engineering de l’Université du Minnesota ont présenté une nouvelle technologie appelée mémoire à accès aléatoire computationnelle (CRAM) qui pourrait potentiellement réduire la consommation d’énergie de l’IA de 1 000 fois.

Avec l’émergence de la photonique sur silicium comme technologie perturbatrice pour les accélérateurs de prochaine génération pour le ML, des chercheurs de Hewlett‑Packard Labs ont introduit une plateforme photonique sur silicium économe en énergie et évolutive pour servir de base sous-jacente au matériel d’accélérateur IA.

Les accélérateurs IA photoniques, contrairement aux traditionnels qui dépendent des réseaux neuronaux distribués électroniques (DNN), utilisent des réseaux neuronaux optiques (ONN) qui offrent un haut parallélisme, une latence extrêmement faible et une perte de chaleur minimale.

Bien qu’ils soient faciles à fabriquer, les photonique sur silicium sont difficiles à mettre à l’échelle ; d’où la plateforme. Elle est fabriquée en utilisant la photonique sur silicium ainsi que des semi‑conducteurs composés III‑V (comme l’InP ou le GaAs).

Aujourd’hui, une nouvelle méthode permet de rendre l’IA plus efficace, en habilitant de grands réseaux de guides d’ondes de spin à gérer le traitement d’informations avancées. La vague de spin est une solution prometteuse pour le traitement de l’information.

Cette percée dans l’efficacité du matériel IA a été 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, en faisant une alternative prometteuse aux électroniques gourmandes en énergie.

Circuits Magnoniques Évolutifs comme Nouvelle Frontière de l’IA Écoénergétique

Vagues de spin circulant à travers un circuit nanométrique illustrant les réseaux magnéoniques

Bien que les réseaux magnéoniques basés sur des isolants magnétiques puissent révolutionner le traitement de l’information grâce à leur efficacité énergétique, les éléments de base de ces réseaux, à savoir les guides d’ondes de spin, souffrent de capacités de réglage de dispersion inefficaces et de longueurs de propagation de vague de spin limitées.

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

Publiée dans la revue scientifique Nature Materials⁷, l’étude détaille le développement d’une nouvelle méthode pour créer des guides d’ondes dans lesquels les vagues de spin peuvent se propager très loin, construisant ainsi 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 la vague de spin transmise dans le guide d’ondes. Par exemple, les scientifiques ont pu modifier précisément la longueur d’onde et la réflexion de la vague de spin à une certaine interface. L’étude a noté:

« La dispersion des guides d’ondes peut être continuellement réglée grâce à l’implantation ionique précise et localisée, ce qui les distingue des guides d’ondes couramment gravés. »

Le spin électronique ou moment angulaire intrinsèque est une propriété quantique fondamentale des électrons, où l’alignement de plusieurs spins détermine les propriétés magnétiques. Maintenant, si un courant alternatif est appliqué à un matériau magnétique avec une antenne, un champ magnétique variable est produit, et les spins du matériau peuvent générer une vague de spin.

Les vagues de spin sont des excitations d’un matériau magnétique, et elles offrent des possibilités passionnantes pour le traitement avancé de l’information.

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

Récemment, des chercheurs ont commencé à exploiter les vagues de spin dans des structures magnétiques nanoscopiques et des réseaux pour le traitement du signal et les applications informatiques. Cette technologie émergente peut aider à surmonter les limites inhérentes aux microélectroniques à semi-conducteurs traditionnels en termes de densité de calcul et de capacité de traitement à haute dimension.

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

L’utilité de cette technologie réside dans sa capacité à encoder l’information dans la phase, la fréquence et l’amplitude des vagues de spin. Cette stratégie, similaire aux ondes électromagnétiques, permet une gamme flexible de traitement des données en tirant parti de la dépendance des attributs de propagation à ces paramètres.

Les vagues de spin sont actuellement utilisées pour créer différents composants individuels. Les portes logiques qui effectuent des opérations logiques sur des entrées binaires pour produire une sortie binaire unique en sont un exemple. Les multiplexeurs sont un autre type de dispositif qui sélectionne l’un des plusieurs signaux d’entrée.

D’autres exemples comprennent les croisements, les coupleurs, les mémoires, les portes majoritaires, les (dé‑)multiplexeurs, les interféromètres, les diviseurs et les analyseurs de spectre.

Tous ces dispositifs peuvent fonctionner indépendamment en tant qu’unités de traitement de l’information ou s’intégrer dans des réseaux plus grands et complexes avec des fonctionnalités avancées.

Dans un grand réseau, les liaisons entre les éléments sont des guides d’ondes personnalisés pour les vagues de spin. Ces guides d’ondes sont importants pour confiner ainsi que guider les vagues de spin d’un élément à l’autre et, en tant que tels, nécessitent des pertes de propagation minimales. De tels guides d’ondes et leurs combinaisons servent également de dispositifs fonctionnels à vague de spin.

Cependant, les composants n’avaient pas encore été connectés pour former un circuit plus grand jusqu’à présent.

« Le fait que des réseaux plus grands, comme ceux utilisés en électronique, n’aient pas encore été réalisés, est en partie dû à la forte atténuation des vagues de spin dans les guides d’ondes qui relient les éléments de commutation individuels – surtout s’ils sont plus étroits qu’un micromètre et donc à l’échelle nanométrique. »
– Professeur Bratschitsch, physicien

Ainsi, pour surmonter ce problème, l’équipe a utilisé le matériau qui présente actuellement la plus faible atténuation, à savoir le grenat de fer yttrium (YIG). Il possède le moindre amortissement et la plus grande longueur de propagation des vagues de spin, atteignant plusieurs millimètres.

En ce qui concerne la réalisation de guides d’ondes pour les vagues de spin, les approches lithographiques sont généralement utilisées. Pour créer des guides d’ondes nanoscopiques dans le YIG, la méthode de fabrication avancée repose sur la gravure ionique réactive de films minces de YIG. Mais même avec des films YIG de haute qualité et des procédés de gravure de pointe, la longueur de propagation maximale rapportée est de 54 µm.

Développer des structures hybrides est une autre approche émergente où les films YIG sont combinés avec des nanorubans de métal ferromagnétique pour définir des canaux de transport de vagues de spin nanoscopiques via le couplage dipolaire, ce qui crée des longueurs de propagation de vagues de spin d’environ 20 µm.

Il y a aussi l’implantation ionique, qui a récemment été utilisée pour manipuler les vagues de spin dans le YIG. L’écriture par faisceau d’ions focalisé a permis la modification précise des films YIG à l’échelle submicrométrique.

Ainsi, les scientifiques ont utilisé un film commercial de 110 nm d’épaisseur du matériau magnétique YIG, puis ont inscrit des guides d’ondes de spin individuels à l’aide d’un faisceau d’ions de silicium.

Le processus d’implantation sans masque a permis la création de multiples structures de vague de spin sur un même substrat. Mais surtout, il peut être mis à l’échelle pour fabriquer des circuits intégrés magnéoniques de taille wafer.

Une antenne microstrip en or a également été fabriquée avec un film de lithographie par faisceau d’électrons pour exciter les vagues de spin avec un signal micro‑ondes en onde continue. Un champ magnétique statique externe en plan, H0 de μ0H0 = 50 mT, a été appliqué pour lancer des vagues de spin en mode surface.

De cette manière, ils ont pu produire un grand réseau de 198 nœuds, ouvrant la voie à des circuits intégrés magnéoniques à grande échelle. Cela permet également de créer des structures complexes de haute qualité de manière reproductible et flexible.

De plus, l’équipe a atteint une longueur de propagation de vague de spin de plus de 100 µm, et leur approche sans gravure leur a permis de disposer d’un réseau intégré de vague de spin composé de 34 ports d’entrée parallèles et de 34 sorties. L’étude a déclaré:

« Ces résultats ouvrent la voie à la réalisation de réseaux magnéoniques avancés avec un contrôle inégalé et des perspectives passionnantes pour la mise en place de systèmes informatiques à vague de spin à grande échelle et à faible perte. »

Investir dans une IA efficace

Dans le domaine de l’intelligence artificielle, NVIDIA Corporation (NVDA ) est le leader incontesté avec ses accélérateurs et puces IA. La plus grande entreprise du monde avec une capitalisation boursière de plus de 4 000 milliards de dollars, NVIDIA, investit également dans des architectures écoénergétiques.

NVIDIA Corporation (NVDA )

Les GPU de Nvidia offrent des améliorations de performance par watt. Son architecture Blackwell, en particulier, promet une IA de génération sur des LLM de l’ordre du trillion de paramètres avec jusqu’à 25 fois moins de coût et de consommation d’énergie que son architecture Hopper précédente.

Blackwell, fondée par Jensen Huang, le PDG, a déclaré l’année dernière qu’elle est conçue pour être « très performante et très écoénergétique ». 

Nvidia propose également des systèmes de refroidissement liquide, le NVIDIA GB200 NVL72 et le NVIDIA GB300 NVL72, pour gérer les tâches exigeantes d’inférence LLM avec leur architecture spécifiquement optimisée pour la précision et la performance à l’échelle du temps de test.

Le géant technologique est également impliqué dans la recherche et le développement de l’IA en périphérie avec sa plateforme NVIDIA EGX™ qui combine une puissance de calcul élevée, une gestion à distance, ainsi que des systèmes et logiciels pour amener l’IA au bord. NVIDIA IGX Orin™ est conçu pour les environnements industriels et médicaux, tandis que la plateforme NVIDIA Jetson™ constitue sa solution robotique.

Un autre domaine de recherche chez Nvidia est la photonique. Plus tôt cette année, l’entreprise a annoncé ses nouveaux commutateurs réseau photonique en silicium co‑emballés pour connecter des millions de GPU entre sites tout en réduisant la consommation d’énergie et les coûts opérationnels.

« En intégrant directement la photonique sur silicium dans les commutateurs, NVIDIA brise les anciennes limitations des réseaux hyperscalaire et d’entreprise et ouvre la voie à des usines d’IA à million de GPU. »

– Huang

La nouvelle technologie utilise des faisceaux de lumière laser pour transmettre des informations sur des câbles à fibre optique entre les puces. Elle sera disponible plus tard cette année et jusqu’en 2026.

L’entreprise a également étudié son utilisation plus large dans ses puces GPU phares, mais n’a pour l’instant aucun plan à cet égard, les connexions en cuivre traditionnelles restant « de plusieurs ordres de grandeur » plus fiables que les connexions optiques co‑emballées.

En ce qui concerne la performance boursière de Nvidia, elle a été tout simplement extraordinaire. En octobre 2022, les actions NVDA étaient inférieures à 11 $ et se négocient actuellement au-dessus de 165 $. Avec cela, elle affiche un BPA (TTM) de 3,10 et un PER (TTM) de 53,12. L’entreprise propose même un rendement du dividende, bien que seulement de 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 T4, tandis que les revenus du centre de données s’élèvent à 39,1 milliards de dollars, soit une augmentation de 10 % par rapport au trimestre précédent.

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

Dernières actualités boursières et développements 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 optimisée et des expériences personnalisées, le marché de cette technologie puissante devrait valoir plusieurs milliards de dollars en 2025.

Mais à mesure que la demande pour l’IA gourmande en énergie augmente, ses besoins énergétiques augmentent également, ce qui entraîne une pression sur les réseaux énergétiques et une hausse des émissions de gaz à effet de serre.

Pour parvenir à une IA réellement efficace, des efforts coordonnés sont nécessaires dans l’évolution à la fois des logiciels et du matériel. Dans ce contexte, des innovations telles que l’entraînement de modèles plus intelligents, les modèles plus petits, les invites concises, la compression de modèle, l’informatique neuromorphique, l’IA en périphérie et la photonique pourraient aider à créer un avenir où l’échelle ne doit pas s’accompagner de besoins énergétiques insoutenables.

Ici, la dernière percée dans le calcul à vague de spin pourrait définir l’avenir du calcul à faible consommation et haute performance, devenant potentiellement la base des architectures IA de prochaine génération.

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

Références :

1. Xiao, C.; Liu, M.; Yao, K.; et al. Émetteurs thermo‑méta ultrabande et sélectifs par apprentissage automatique. 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. Réseaux de mémristors à pérovskite halogénée bidimensionnels programmables linéairement pour le calcul neuromorphique. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Intégration photonique tridimensionnelle pour des liaisons de données inter‑puces ultra‑basse énergie et à bande passante élevée. 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. Démonstration expérimentale d’une mémoire à accès aléatoire computationnelle basée sur une jonction tunnel magnétique. 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. Plateforme de dispositif photonique intégré à grande échelle pour des accélérateurs IA/ML écoénergétiques. 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. Réseaux neuronaux optiques : progrès et défis. 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. Guides d’ondes de spin implantés à perte faible et à dispersion réglable pour de grands réseaux magnéoniques. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y