Jaringan Spin-Wave: Lompatan Berikutnya dalam Komputasi AI yang Efisien

Kecerdasan buatan (AI) sedang mengubah cara kita hidup. Dengan potensinya untuk merevolusi industri, teknologi diperkirakan akan menghasilkan triliunan nilai.

Dari perawatan kesehatan hingga pendidikan, transportasi, hiburan, dan keuangan, AI telah sangat meningkatkan efisiensi dan akurasi di seluruh sektor. AI juga membantu meningkatkan efisiensi energi. Misalnya, ilmuwan dari seluruh dunia berkolaborasi untuk menciptakan¹ kelas material baru menggunakan AI yang membantu mengurangi biaya energi.

Tetapi bagaimana dengan permintaan energi yang sangat besar dari AI itu sendiri? AI yang mengonsumsi banyak daya menjadi tantangan besar. Dengan pertumbuhan cepat aplikasi AI, permintaan energi juga meningkat secara dramatis, yang pada gilirannya menekan infrastruktur energi kita.

Setiap hari, model pembelajaran mesin (ML) menjadi semakin kompleks. Semakin besar dan semakin canggih model tersebut, semakin tinggi kebutuhan sumber daya untuk melatih dan menjalankannya. 

Melatih model ML memerlukan tidak hanya sumber daya komputasi tetapi juga energi dan air untuk pusat data yang menampung infrastruktur TI yang diperlukan untuk melatih, menyebarkan, dan menyediakan aplikasi serta layanan AI.

Vijay Gadepally, seorang ilmuwan senior di MIT Lincoln Laboratory Supercomputing Center (LLSC), mengatakan hal berikut beberapa tahun yang lalu ketika situasinya masih berkembang:

“Seiring kami beralih dari teks ke video ke gambar, model AI ini semakin besar, begitu pula dampak energinya. Hal ini akan berkembang menjadi penggunaan energi yang cukup besar dan kontributor emisi yang meningkat di seluruh dunia.”

Seperti yang diproyeksikan International Energy Agency (IEA), permintaan listrik global dari pusat data akan menggandakan dari perkiraan 460 terawatt-jam (TWh) pada 2022 menjadi 1.000 TWh pada 2026, yang kira-kira setara dengan konsumsi listrik Jepang.

Saat ini, konsumsi listrik dari pusat data telah mencapai sekitar 1,5% dari konsumsi listrik global.

Penelitian baru yang dirilis oleh UNESCO dan University College London (UCL) juga memperingatkan bahwa permintaan energi AI, khususnya model bahasa besar (LLM), telah mencapai tingkat yang tidak berkelanjutan, dan untuk mengubah ini, “kita membutuhkan pergeseran paradigma dalam cara kita menggunakannya.”

Menurut laporan mereka, alat AI Generatif digunakan oleh lebih dari 1 miliar orang setiap hari, dengan setiap interaksi mengonsumsi sekitar 0,34 watt-jam energi per prompt. Mereka mengatakan:

“Ini menambah hingga 310 gigawatt-jam per tahun, setara dengan penggunaan listrik tahunan lebih dari 3 juta orang di negara Afrika berpenghasilan rendah.”

Dalam laporan mereka, tim ilmuwan komputer menyarankan tiga inovasi kunci untuk memungkinkan penghematan energi yang substansial. Ini termasuk menggunakan model yang lebih kecil, yang sama pintar dan akuratnya dengan model besar tetapi dapat mengurangi penggunaan energi hingga 90%. Kemudian ada prompt dan respons yang lebih pendek serta lebih ringkas yang dapat mengurangi penggunaan energi lebih dari 50% sementara kompresi model dapat menghemat hingga 44% energi.

Membuat AI Lebih Efisien dengan Perangkat Lunak yang Lebih Cerdas, Perangkat Keras yang Lebih Hijau

Chip AI yang bersinar tertanam dalam daun hijau melambangkan AI hemat energi

Tidak hanya semakin banyak individu yang mengadopsi AI, tetapi semakin banyak organisasi juga mengintegrasikan teknologi ini ke dalam bisnis mereka.

Sebuah studi oleh IBM Institute for Business Value (IBV) mengungkapkan bahwa mayoritas (77%) merasa perlu menggunakan AI generatif secara cepat untuk mengikuti kecepatan pelanggan mereka. 

Selama bertahun‑tahun, beberapa inovasi teknologi lain, seperti komputasi, telah menimbulkan kekhawatiran serupa, yang kemudian diatasi melalui inovasi efisiensi. Hal yang sama kini dapat dilakukan dengan AI. Dari peneliti hingga perusahaan, semua orang saat ini bekerja memahami dampaknya dan menemukan solusi untuk mengurangi efek negatifnya.

Solusi‑solusi ini mencakup penggunaan energi bersih dan terbarukan, serta model yang lebih kecil dan pelatihan model yang lebih cerdas. 

Untuk mengatasi tantangan efisiensi energi AI, peneliti fokus pada dua aspek:

• Inovasi perangkat lunak
• Peningkatan perangkat keras

Di bidang perangkat keras, pembatasan daya (power‑capping) adalah solusi yang dapat potensial mengurangi konsumsi energi hingga 15%. Ada juga perangkat keras berkarbon‑efisien, yang “menyesuaikan model dengan campuran perangkat keras paling rendah karbon,” menurut MIT. 

Pada Konferensi Keberlanjutan MIT pada bulan Oktober, Gadepally, yang memimpin upaya riset sadar energi di LLSC, menyarankan untuk memikirkan kembali pelatihan model AI dan berinvestasi pada perangkat keras yang lebih efisien. MIT Lincoln Laboratory telah menerapkan rekomendasi Gadepally untuk mengurangi jejak pusat data mereka sendiri.

Menggunakan perangkat keras yang lebih efisien secara komputasi dan akselerator perangkat keras khusus juga dapat menyumbang pada penghematan energi. Paralelisasi, yang mengurangi waktu pelatihan algoritma dengan mendistribusikan komputasi ke beberapa inti pemrosesan, dan edge computing, yang melakukan komputasi di lokasi di mana data dikumpulkan atau digunakan, adalah solusi perangkat keras lain yang menjanjikan.

Ilmuwan juga beralih ke otak manusia, yang memiliki 100 miliar neuron dan 100 triliun koneksi sinaptik, untuk membuat mesin lebih baik. 

Hal ini telah melahirkan komputasi neuromorfik, yang, alih-alih mengandalkan arsitektur von Neumann tradisional, memanfaatkan neuron dan sinaps buatan untuk memproses informasi secara mirip otak guna mencapai efisiensi energi dan daya komputasi yang lebih tinggi.

Sebagai contoh, peneliti dari Seoul National University College of Engineering mengembangkan² perangkat neuromorfik berbasis material hibrida organik‑anorganik.

Mengenai bagian kunci penelitian mereka, Profesor Ho Won Jang mencatat bahwa “penting untuk menunjukkan bahwa pergerakan ion yang seragam di seluruh permukaan material lebih penting untuk mengembangkan perangkat keras neuromorfik berperforma tinggi daripada menciptakan filamen terlokalisasi dalam material semikonduktor.”

Cahaya adalah cara lain untuk meningkatkan perangkat keras AI. Alih‑alih sinyal listrik, komputasi fotonik menggunakan cahaya dan memungkinkan operasi paralel dengan kehilangan panas yang minimal. 

Beberapa bulan lalu, peneliti dari Columbia Engineering merilis³ platform fotonik‑elektronik 3D yang mencapai efisiensi energi dan kepadatan bandwidth yang luar biasa. Untuk ini, mereka mengintegrasikan fotonik dengan sirkuit elektronik CMOS canggih. Chip fotonik‑elektronik terintegrasi 3D menghasilkan bandwidth tinggi (800 Gb/s) sambil hanya mengonsumsi 120 femtojoule per bit. Kepadatan bandwidth 5,3 Tb/s/mm² juga melampaui tolok ukur yang ada.

Musim panas lalu, peneliti dari University of Minnesota College of Science and Engineering, menunjukkan teknologi baru⁴ yang disebut memori akses acak komputasional (CRAM) yang berpotensi mengurangi penggunaan energi AI hingga 1.000 kali.

Dengan fotonik silikon yang muncul sebagai teknologi disruptif untuk akselerator generasi berikutnya bagi ML, peneliti dari Hewlett‑Packard Labs telah memperkenalkan⁵ platform fotonik silikon yang efisien energi dan dapat diskalakan sebagai fondasi bagi perangkat keras akselerator AI.

Akselerator AI fotonik, berbeda dengan yang tradisional, yang bergantung pada jaringan saraf terdistribusi elektronik (DNN), menggunakan jaringan saraf optik⁶ (ONN) yang menawarkan paralelisme tinggi, latensi sangat rendah, dan kehilangan panas minimal.

Meskipun mudah diproduksi, fotonik silikon sulit untuk diskalakan; oleh karena itu, platform ini. Ia dibuat menggunakan fotonik silikon bersama semikonduktor senyawa III‑V (seperti InP atau GaAs).

Sekarang, ada metode baru yang dapat membuat AI lebih efisien, dan itu dengan memungkinkan jaringan pandu gelombang spin besar menangani pemrosesan informasi lanjutan. Spin‑wave adalah solusi menjanjikan untuk memproses informasi.

Terobosan ini dalam efisiensi perangkat keras AI dicapai oleh tim ilmuwan Jerman dari Universitas Münster dan Heidelberg.

Dipimpin oleh Rudolf Bratschitsch, seorang Profesor fisika di Münster, tim tersebut telah menciptakan jaringan pandu gelombang spin yang luas yang memproses informasi dengan energi jauh lebih sedikit, menjadikannya alternatif menjanjikan bagi elektronik yang intensif energi.

Sirkuit Magnonik Skalabel sebagai Perbatasan Baru dalam AI Hemat Energi

Gelombang spin mengalir melalui sirkuit skala nano yang menggambarkan jaringan magnonik

Sementara jaringan magnonik berbasis isolator magnetik dapat merevolusi pemrosesan informasi karena efisiensi energinya, blok‑bangunan jaringan ini, yaitu pandu gelombang spin, mengalami keterbatasan dalam kemampuan penyetelan dispersi yang tidak efisien dan panjang propagasi gelombang spin yang terbatas.

Keterbatasan ini telah diatasi oleh tim ilmuwan dari Münster dan Heidelberg. 

Dipublikasikan di jurnal ilmiah Nature Materials⁷, studi tersebut merinci pengembangan cara baru untuk membuat pandu gelombang di mana gelombang spin dapat merambat sangat jauh, sehingga membangun jaringan pandu gelombang spin terbesar hingga saat ini. 

Namun tidak hanya itu. Tim tersebut juga berhasil mengontrol properti gelombang spin yang ditransmisikan dalam pandu gelombang. Sebagai contoh, ilmuwan dapat secara tepat mengubah panjang gelombang dan refleksi gelombang spin pada antarmuka tertentu. Studi tersebut mencatat:

“Dispersi pandu gelombang dapat disetel secara kontinu berkat implantasi ion yang tepat dan terlokalisasi, yang membedakannya dari pandu gelombang yang biasanya diukir.”

Spin elektron atau momentum sudut intrinsik adalah properti kuantum mekanik fundamental elektron, di mana penyelarasan beberapa spin menentukan sifat magnetik. Sekarang, jika arus bolak‑balik diterapkan pada material magnetik dengan antena, medan magnet yang berubah dihasilkan, dan spin dalam material dapat menghasilkan gelombang spin.

Gelombang spin adalah eksitasi material magnetik, dan mereka menawarkan kemungkinan menarik untuk pemrosesan informasi lanjutan. 

Apa yang benar‑benar membuatnya menarik adalah karakteristik khasnya, seperti nonlinieritas kuat alami dan operasi berkecepatan tinggi dalam rentang frekuensi gigahertz (GHz) hingga terahertz (THz).

Baru‑baru ini, peneliti mulai memanfaatkan gelombang spin dalam struktur magnetik skala nano dan jaringan untuk pemrosesan sinyal serta aplikasi komputasi. Teknologi yang muncul ini dapat membantu mengatasi keterbatasan yang melekat pada mikroelektronik semikonduktor tradisional terkait kepadatan komputasi dan kapasitas pemrosesan berdimensi tinggi.

Lebih penting lagi, jejak energi rendah teknologi gelombang spin sangat menarik. 

Manfaat teknologi terletak pada kemampuannya mengkodekan informasi dalam fase, frekuensi, dan amplitudo gelombang spin. Strategi ini, mirip dengan gelombang elektromagnetik, memungkinkan rentang pemrosesan data yang fleksibel dengan memanfaatkan ketergantungan atribut propagasi pada parameter‑parameter tersebut.

Gelombang spin saat ini digunakan untuk membuat berbagai komponen individu. Gerbang logika yang melakukan operasi logika pada masukan biner untuk menghasilkan satu keluaran biner merupakan salah satu contoh. Multiplexer adalah jenis perangkat lain yang memilih satu dari beberapa sinyal masukan. 

Contoh lain meliputi persilangan, penggabung, memori, gerbang mayoritas, (de‑)multiplexer, interferometer, pembagi, dan analis spektrum. 

Semua perangkat ini dapat bekerja secara independen sebagai unit pemrosesan informasi atau terintegrasi ke dalam jaringan yang lebih besar dan kompleks dengan fungsionalitas lanjutan.

Dalam jaringan besar, tautan antara elemen adalah pandu gelombang yang disesuaikan untuk gelombang spin. Pandu gelombang ini penting untuk menahan serta mengarahkan gelombang spin dari satu elemen ke elemen lain dan, oleh karena itu, memerlukan kehilangan propagasi yang minimal. Pandu gelombang semacam itu serta kombinasi mereka juga berfungsi sebagai perangkat spin‑wave fungsional.

Komponen‑komponen tersebut, bagaimanapun, belum terhubung menjadi sirkuit yang lebih besar hingga kini.

“Fakta bahwa jaringan yang lebih besar seperti yang digunakan dalam elektronik belum terwujud, sebagian disebabkan oleh atenuasi kuat gelombang spin dalam pandu gelombang yang menghubungkan elemen saklar individu — terutama bila mereka lebih sempit dari satu mikrometer dan karenanya berada pada skala nano.”

– Profesor Fisikawan Bratschitsch

Jadi, yang tim lakukan untuk mengatasi masalah itu adalah menggunakan material yang saat ini memiliki atenuasi terendah, yaitu yttrium iron garnet (YIG). Ia memiliki redaman terendah dan panjang propagasi gelombang spin tertinggi, mencapai milimeter.

Untuk mewujudkan pandu gelombang spin, pendekatan litografi biasanya digunakan. Untuk membuat pandu gelombang skala nano dalam YIG, pendekatan fabrikasi lanjutan didasarkan pada etsa ion reaktif pada film YIG tipis. Namun bahkan dengan film YIG berkualitas tinggi dan proses etsa mutakhir, panjang propagasi maksimum yang dilaporkan adalah 54 µm.

Mengembangkan struktur hibrida adalah pendekatan muncul lainnya di mana film YIG digabungkan dengan nanostrip logam ferromagnetik untuk mendefinisikan saluran transportasi gelombang spin nanoskoptik melalui kopling dipolar, yang menghasilkan panjang propagasi gelombang spin sekitar 20 µm.

Kemudian ada implantasi ion, yang baru‑baru ini digunakan untuk memanipulasi gelombang spin dalam YIG. Penulisan berkas ion terfokus telah memungkinkan modifikasi presisi film YIG pada skala submikrometer.

Jadi, para ilmuwan menggunakan film YIG tebal 110 nm yang tersedia secara komersial, kemudian menuliskan pandu gelombang spin individual ke dalamnya menggunakan berkas ion silikon.

Proses implantasi tanpa masker memungkinkan pembuatan banyak struktur spin‑wave yang disesuaikan pada satu substrat. Lebih penting lagi, proses ini dapat diskalakan untuk memproduksi sirkuit terintegrasi magnonik berukuran wafer.

Antena mikrostrip emas juga dibuat dengan litografi berkas elektron untuk menstimulasi gelombang spin menggunakan sinyal gelombang mikro kontinu. Medan magnet statis in‑plane eksternal H0 sebesar μ0H0 = 50 mT diterapkan untuk meluncurkan gelombang spin mode permukaan.

Dengan cara ini, mereka berhasil menghasilkan jaringan besar dengan 198 node, membuka pintu bagi sirkuit terintegrasi magnonik berskala besar. Ini juga memungkinkan pembuatan struktur kompleks berkualitas tinggi secara dapat direplikasi dan fleksibel.

Selain itu, tim mencapai panjang propagasi gelombang spin lebih dari 100 µm, dan pendekatan tanpa etsa mereka memungkinkan memiliki jaringan spin‑wave terintegrasi yang terdiri dari 34 port input paralel dan 34 output. Studi tersebut menyatakan:

“Hasil ini membuka jalan bagi realisasi jaringan magnonik lanjutan dengan kontrol tak tertandingi dan membuka peluang menarik untuk mewujudkan sistem komputasi gelombang spin berskala besar dengan kehilangan rendah.”

Berinvestasi dalam AI Efisien

Dalam dunia kecerdasan buatan, NVIDIA Corporation (NVDA )
adalah pemimpin jelas dengan akselerator dan chip AI‑nya. Perusahaan terbesar di dunia dengan kapitalisasi pasar lebih dari $4 triliun, NVIDIA, juga telah berinvestasi dalam arsitektur hemat energi.

NVIDIA Corporation (NVDA )

GPU Nvidia menawarkan peningkatan performa per watt. Arsitektur Blackwell‑nya, khususnya, menjanjikan AI generatif pada LLM berparameter triliun dengan biaya dan konsumsi energi hingga 25× lebih rendah dibandingkan arsitektur Hopper sebelumnya.

Blackwell, didirikan oleh Jensen Huang, CEO, mengatakan tahun lalu, dirancang untuk menjadi “sangat berperforma dan sangat hemat energi.”

Nvidia juga menawarkan sistem pendinginan cair, NVIDIA GB200 NVL72 dan NVIDIA GB300 NVL72, untuk menangani tugas berat inferensi LLM dengan arsitektur yang secara khusus dioptimalkan untuk akurasi dan performa skala pengujian.

Raksasa teknologi ini juga terlibat dalam riset dan pengembangan AI edge dengan platform NVIDIA EGX™‑nya, yang menggabungkan komputasi kuat, manajemen jarak jauh, serta sistem dan perangkat lunak untuk membawa AI ke tepi. NVIDIA IGX Orin™ dirancang untuk lingkungan industri dan medis, sementara platform NVIDIA Jetson™ adalah solusi robotiknya.

Bidang riset lain di Nvidia adalah fotonik. Awal tahun ini, perusahaan mengumumkan saklar jaringan fotonik silikon co‑packaged baru untuk menghubungkan jutaan GPU di berbagai lokasi sambil mengurangi konsumsi energi dan biaya operasional. 

“Dengan mengintegrasikan fotonik silikon langsung ke dalam saklar, NVIDIA menghancurkan batasan lama jaringan hyperscale dan perusahaan serta membuka gerbang ke pabrik AI dengan jutaan GPU.”

– Huang

Teknologi baru ini menggunakan berkas cahaya laser untuk mengirim informasi melalui kabel serat optik antar chip. Produk ini akan diluncurkan akhir tahun ini dan hingga 2026.

Perusahaan juga telah meneliti penggunaan teknologi ini secara lebih luas pada chip GPU andalannya, namun saat ini belum ada rencana untuk melakukannya, karena koneksi tembaga tradisional masih “berordo magnitudo” lebih dapat diandalkan dibandingkan koneksi optik co‑packaged.

Mengenai kinerja pasar Nvidia, hasilnya luar biasa. Pada Oktober 2022, saham NVDA berada di bawah $11 dan kini diperdagangkan di atas $165. Dengan itu, EPS (TTM)‑nya 3,10 dan P/E (TTM)‑nya 53,12. Perusahaan bahkan menawarkan dividen, meskipun hanya 0,02%.

Untuk keuangan, pada kuartal pertama fiskal 2026, Nvidia melaporkan pendapatan $44,1 miliar, naik 12% dari Q4, sementara pendapatan pusat data mencapai $39,1 miliar, meningkat 10% dibandingkan kuartal sebelumnya.

Permintaan untuk infrastruktur AI perusahaan, catat Huang, “sangat kuat.”

Berita dan Perkembangan Saham NVIDIA Corporation (NVDA) Terbaru

Kesimpulan

Seiring dunia terus mengadopsi AI, yang menjanjikan peningkatan efisiensi, produktivitas yang lebih tinggi, pengambilan keputusan yang lebih baik, dan pengalaman yang dipersonalisasi, pasar untuk teknologi kuat ini diperkirakan akan bernilai miliaran dolar pada 2025.

Namun seiring permintaan AI yang menyerap banyak energi meningkat, begitu pula kebutuhan energinya, yang berarti tekanan pada jaringan listrik dan peningkatan emisi gas rumah kaca.

Untuk mencapai AI yang benar‑benar efisien, diperlukan upaya terkoordinasi dalam evolusi baik perangkat lunak maupun perangkat keras. Di tengah latar ini, inovasi seperti pelatihan model yang lebih cerdas, model yang lebih kecil, prompt singkat, kompresi model, komputasi neuromorfik, AI edge, dan fotonik dapat membantu menciptakan masa depan di mana skala tidak harus datang dengan permintaan energi yang tidak berkelanjutan.

Di sini, terobosan terbaru dalam komputasi spin‑wave dapat menentukan masa depan komputasi berdaya rendah dan berperforma tinggi, berpotensi menjadi fondasi bagi arsitektur AI generasi berikutnya.

Klik di sini untuk mempelajari semua tentang berinvestasi dalam kecerdasan buatan.

Referensi:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Emitor Meta Termal Ultraband dan Selektif Band dengan Pembelajaran Mesin. 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. Array Memristor Halida Perovskit Dua Dimensi yang Dapat Diprogram Secara Linear untuk Komputasi Neuromorfik. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Integrasi Fotonik Tiga Dimensi untuk Taut Data Antara Chip dengan Energi Sangat Rendah dan Bandwidth Tinggi. 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. Demonstrasi Eksperimental Memori Akses Acak Komputasional Berbasis Sambungan Magnetik Tunnel. 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. Platform Perangkat Fotonik Terintegrasi Skala Besar untuk Akselerator AI/ML yang Efisien Energi. 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. Jaringan Saraf Optik: Kemajuan dan Tantangan. 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. Gelombang Spin‑Wave Berimpan dengan Dispersi Dapat Disetel dan Kerugian Rendah untuk Jaringan Magnonik Besar. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y