Reti di Onde di Spin: Il Prossimo Salto nel Calcolo AI Efficiente

L’intelligenza artificiale (AI) sta trasformando il modo in cui noi viviamo. Con il suo potenziale di rivoluzionare le industrie, la tecnologia è prevista a generare trilioni di valore.

Dalla sanità all’istruzione, trasporti, intrattenimento e finanza, l’AI ha notevolmente migliorato l’efficienza e la precisione nei vari settori. L’AI ha anche contribuito a migliorare l’efficienza energetica. Per esempio, scienziati di tutto il mondo hanno collaborato per creare¹ una nuova classe di materiale usando l’AI che aiuta a ridurre i costi energetici.

Ma che dire delle enormi richieste energetiche dell’AI stessa? L’AI ad alto consumo energetico rappresenta una grande sfida. Con la rapida crescita delle applicazioni AI, la domanda di energia sta aumentando drasticamente, mettendo a dura prova la nostra infrastruttura energetica.

Ogni giorno, i modelli di apprendimento automatico (ML) diventano sempre più complessi. E più grandi e sofisticati diventano, maggiori sono le risorse necessarie per addestrare e far funzionare questi modelli. 

L’addestramento dei modelli ML richiede non solo risorse computazionali ma anche energia e acqua per i data center che ospitano l’infrastruttura IT necessaria per addestrare, distribuire e fornire applicazioni e servizi AI.

Vijay Gadepally, uno scienziato senior presso il MIT Lincoln Laboratory Supercomputing Center (LLSC), aveva detto quanto segue qualche anno fa, quando la situazione era ancora in evoluzione:

“Man mano che passiamo dal testo al video all’immagine, questi modelli AI crescono sempre di più, così come il loro impatto energetico. Questo si tradurrà in un consumo energetico considerevole e in un contributo crescente alle emissioni a livello globale.”

Come prevede l’Agenzia Internazionale dell’Energia (IEA), la domanda globale di elettricità da parte dei data center raddoppierà da un stimato 460 terawattora (TWh) nel 2022 a 1.000 TWh nel 2026, valore approssimativamente pari al consumo elettrico del Giappone.

Già ora, il consumo elettrico dei data center ha raggiunto circa 1,5% del consumo elettrico globale.

Una nuova ricerca pubblicata da UNESCO e dall’University College London (UCL) avverte che le richieste energetiche dell’AI, in particolare dei grandi modelli linguistici (LLM), hanno raggiunto livelli insostenibili, e per cambiare questa situazione, “abbiamo bisogno di un cambiamento di paradigma nel modo in cui la utilizziamo.”

Secondo il loro rapporto, gli strumenti di Gen AI sono utilizzati da oltre un miliardo di persone al giorno, con ogni interazione che consuma circa 0,34 wattora di energia per prompt. Il rapporto afferma:

“Questo si traduce in 310 gigawattora all’anno, equivalenti al consumo elettrico annuale di oltre 3 milioni di persone in un paese africano a basso reddito.” 

Nel loro studio, il team di informatici ha suggerito tre innovazioni chiave per consentire risparmi energetici sostanziali. Ciò include l’uso di modelli più piccoli, altrettanto intelligenti e accurati dei grandi, ma in grado di ridurre il consumo energetico fino al 90%. Poi ci sono prompt e risposte più brevi e concisi, che possono ridurre il consumo energetico di oltre il 50%, mentre la compressione del modello può far risparmiare fino al 44% di energia.

Rendere l’AI più efficiente con software più intelligenti, hardware più verde

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

Non solo un numero crescente di individui sta sempre più adottando l’AI, ma anche un numero sempre maggiore di organizzazioni sta integrando questa tecnologia nelle proprie attività.

Uno studio dell’IBM Institute for Business Value (IBV) ha rivelato che la maggioranza (77%) sente la necessità di utilizzare l’AI generativa rapidamente per tenere il passo con i propri clienti. 

Negli anni, diverse altre innovazioni tecnologiche, come il calcolo, hanno sollevato preoccupazioni simili, che sono state poi affrontate attraverso innovazioni di efficienza. Lo stesso approccio può ora essere applicato all’AI. Ricercatori e aziende stanno attualmente lavorando per comprendere il suo impatto e trovare soluzioni per mitigare i suoi effetti negativi.

Queste soluzioni includono l’uso di energia pulita e rinnovabile, nonché modelli più piccoli e addestramento più intelligente dei modelli. 

Per affrontare le sfide di efficienza energetica dell’AI, i ricercatori si concentrano su due fronti:

• Innovazioni software
• Miglioramenti hardware

Nel campo hardware, il power-capping è una soluzione che può potenzialmente ridurre il consumo energetico fino al 15%. Esiste anche hardware a bassa emissione di carbonio, che “abbina un modello alla combinazione di hardware più efficiente dal punto di vista del carbonio”, secondo MIT. 

Alla Conferenza sulla Sostenibilità del MIT in ottobre, Gadepally, che guida gli sforzi di ricerca consapevoli dell’energia al LLSC, ha suggerito di ripensare l’addestramento dei modelli AI e di investire in hardware più efficiente. Il MIT Lincoln Laboratory ha adottato le raccomandazioni di Gadepally per ridurre la propria impronta nei data center.

L’uso di hardware più computazionalmente efficiente e acceleratori hardware specializzati può anche contribuire al risparmio energetico. La parallelizzazione, che riduce il tempo di addestramento dell’algoritmo distribuendo il calcolo tra più core di elaborazione, e il edge computing, che esegue il calcolo nei luoghi in cui i dati sono raccolti o utilizzati, sono altre promettenti soluzioni hardware.

Gli scienziati si stanno anche ispirando al cervello umano, che conta 100 miliardi di neuroni e 100 trilioni di connessioni sinaptiche, per rendere le macchine migliori. 

Ciò ha portato al calcolo neuromorfico, che, invece di basarsi su architetture tradizionali von Neumann, utilizza neuroni e sinapsi artificiali per elaborare le informazioni in modo simile al cervello, ottenendo maggiore efficienza energetica e potenza computazionale.

Ad esempio, ricercatori del College of Engineering della Seoul National University hanno sviluppato² dispositivi neuromorfici basati su materiali ibridi organico-inorganici.

Parlando della parte chiave della loro ricerca, il professor Ho Won Jang ha osservato che “l’importante è dimostrare che il movimento ionico uniforme sulla superficie del materiale è più rilevante per lo sviluppo di hardware neuromorfico ad alte prestazioni rispetto alla creazione di filamenti localizzati nei materiali semiconduttori.”

La luce è un altro modo in cui l’hardware AI sta migliorando. Invece dei segnali elettrici, il calcolo fotonico utilizza la luce e consente operazioni parallele con minima perdita di calore. 

Solo pochi mesi fa, ricercatori di Columbia Engineering hanno rilasciato³ una piattaforma fotonica-elettronica 3D che raggiunge grande efficienza energetica e densità di larghezza di banda. Per questo, hanno integrato la fotonica con circuiti CMOS avanzati. Il chip fotonico-elettronico 3D integrato offre alta larghezza di banda (800 Gb/s) consumando solo 120 femtogjoule per bit. La sua densità di larghezza di banda di 5,3 Tb/s/mm² supera anche i benchmark esistenti.

L’estate scorsa, ricercatori del College of Science and Engineering dell’Università del Minnesota, nel frattempo, hanno mostrato una nuova tecnologia⁴ chiamata memoria ad accesso casuale computazionale (CRAM) che può potenzialmente ridurre il consumo energetico dell’AI di 1.000 volte.

Con la fotonica al silicio che emerge come tecnologia dirompente per acceleratori di prossima generazione per il ML, ricercatori di Hewlett‑Packard Labs hanno introdotto⁵ una piattaforma fotonica al silicio efficiente dal punto di vista energetico e scalabile per fungere da base per l’hardware acceleratore AI.

Gli acceleratori AI fotonici, a differenza di quelli tradizionali, che dipendono da reti neurali distribuite elettroniche (DNN), utilizzano reti neurali ottiche⁶ (ONN) che offrono alta parallelismo, latenza estremamente bassa e minima perdita di calore.

Sebbene siano facili da produrre, la fotonicica al silicio è difficile da scalare; perciò, la piattaforma. È fabbricata utilizzando fotonica al silicio insieme a semiconduttori composti III‑V (come InP o GaAs).

Ora, c’è un nuovo metodo che può rendere l’AI più efficiente, e consiste nell’abilitare grandi reti di guide d’onda di spin wave per gestire l’elaborazione di informazioni avanzate. Le spin‑wave sono una soluzione promettente per l’elaborazione delle informazioni.

Questa svolta nell’efficienza hardware dell’AI è stata realizzata da un team di scienziati tedeschi delle Università di Münster e Heidelberg.

Guidato da Rudolf Bratschitsch, professore di fisica a Münster, il team ha creato una vasta rete di guide d’onda di spin che elabora informazioni con un consumo energetico significativamente inferiore, rappresentando una valida alternativa all’elettronica ad alto consumo energetico.

Circuiti Magnonici Scalabili come Nuova Frontiera nell’AI a Basso Consumo Energetico

Spin waves flowing through a nanoscale circuit illustrating magnonic networks

Mentre le reti magnoniche basate su isolanti magnetici possono rivoluzionare l’elaborazione delle informazioni grazie alla loro efficienza energetica, i blocchi costitutivi di queste reti, ovvero le guide d’onda di spin wave, soffrono di capacità di sintonizzazione della dispersione inefficiente e di lunghezze di propagazione limitate.

Queste limitazioni sono state affrontate dal team di scienziati di Münster e Heidelberg. 

Pubblicato sulla rivista scientifica Nature Materials⁷, lo studio ha dettagliato lo sviluppo di un nuovo metodo per creare guide d’onda in cui le spin‑wave possono propagarsi molto lontano, costruendo così la più grande rete di guide d’onda di spin finora.

Ma non è tutto. Il team è riuscito anche a controllare le proprietà della spin‑wave trasmessa nella guida d’onda. Per esempio, gli scienziati hanno potuto modificare con precisione la lunghezza d’onda e la riflessione della spin‑wave a una certa interfaccia. Lo studio ha osservato:

“La dispersione delle guide d’onda può essere continuamente sintonizzata grazie all’impianto ionico preciso e localizzato, il che le differenzia dalle guide d’onda tipicamente incise.” 

Lo spin elettronico o momento angolare intrinseco è una proprietà quantistica fondamentale degli elettroni, dove l’allineamento di più spin determina le proprietà magnetiche. Ora, se una corrente alternata viene applicata a un materiale magnetico con un’antenna, si genera un campo magnetico variabile, e gli spin nel materiale possono generare una spin‑wave.

Le spin‑wave sono eccitazioni di un materiale magnetico, e offrono possibilità entusiasmanti per l’elaborazione avanzata delle informazioni. 

Ciò che le rende davvero attraenti sono le loro caratteristiche distintive, come una forte non linearità naturale e un’operazione ad alta velocità nella banda di frequenza da gigahertz (GHz) a terahertz (THz).

Recentemente, i ricercatori hanno iniziato a utilizzare le spin‑wave in strutture magnetiche nanoscalari e reti per l’elaborazione di segnali e applicazioni di calcolo. Questa tecnologia emergente può aiutare a superare le limitazioni intrinseche dei tradizionali microelettronici a semiconduttore in termini di densità computazionale e capacità di elaborazione ad alta dimensionalità.

Ancora più importante è l’impronta energetica ridotta della tecnologia spin‑wave, particolarmente allettante. 

L’utilità della tecnologia risiede nella capacità di codificare informazioni nella fase, frequenza e ampiezza delle spin‑wave. Questa strategia, simile alle onde elettromagnetiche, consente una gamma flessibile di elaborazione dei dati sfruttando la dipendenza delle caratteristiche di propagazione da questi parametri.

Le spin‑wave sono attualmente usate per creare diversi componenti individuali. I gate logici che eseguono operazioni logiche su input binari per produrre un unico output binario sono un esempio. I multiplexer sono un altro tipo di dispositivo che seleziona uno dei diversi segnali di input. 

Altri esempi includono incroci, accoppiatori, memorie, gate di maggioranza, (de‑)multiplexer, interferometri, splitter e analizzatori di spettro. 

Tutti questi dispositivi possono funzionare indipendentemente come unità di elaborazione delle informazioni o integrarsi in reti più grandi e complesse con funzionalità avanzate.

In una rete ampia, i collegamenti tra gli elementi sono guide d’onda personalizzate per spin‑wave. Queste guide d’onda sono importanti per confinare e guidare le spin‑wave da un elemento all’altro e, come tali, richiedono perdite di propagazione minime. Tali guide d’onda e le loro combinazioni fungono anche da dispositivi funzionali a spin‑wave.

Tuttavia, i componenti non erano stati collegati per formare un circuito più grande fino a ora.

“Il fatto che reti più grandi, come quelle usate nell’elettronica, non siano ancora state realizzate, è in parte dovuto alla forte attenuazione delle spin‑wave nelle guide d’onda che collegano gli elementi di commutazione individuali – specialmente se sono più strette di un micrometro e quindi su scala nanometrica.”

– Prof. Fisico Bratschitsch

Quindi, per superare quel problema, il team ha utilizzato il materiale attualmente a più bassa attenuazione, ovvero il garnet di ferro (YIG). Ha il più basso smorzamento e la più alta lunghezza di propagazione delle spin‑wave, raggiungendo millimetri. 

Per realizzare guide d’onda per spin‑wave, gli approcci litografici sono solitamente usati. Per creare guide d’onda nanoscalari in YIG, l’approccio avanzato di fabbricazione si basa sull’incisione ionica reattiva di sottili film di YIG. Anche con film YIG di alta qualità e processi di incisione all’avanguardia, la lunghezza di propagazione massima riportata è di 54 µm.

Sviluppare strutture ibride è un altro approccio emergente in cui i film YIG sono combinati con nanostrisce di metallo ferromagnetico per definire canali di trasporto spin‑wave nanoscopici tramite accoppiamento dipolare, che crea lunghezze di propagazione di ~20 µm.

Poi c’è l’impianto ionico, che è stato recentemente usato per manipolare le spin‑wave in YIG. La scrittura a fascio ionico focalizzato ha permesso la modifica precisa dei film YIG su scala sub‑micrometrica.

Quindi, gli scienziati hanno usato un film commerciale di YIG spesso 110 nm e hanno inciso guide d’onda di spin‑wave individuali usando un fascio di ioni di silicio. 

Il processo di impianto senza maschera ha consentito la creazione di più strutture di spin‑wave su un unico substrato. Ma più importante, può essere scalato per fabbricare circuiti integrati magnonici a dimensione wafer. 

È stata inoltre fabbricata un’antenna a microstriscia d’oro mediante litografia a fascio di elettroni per eccitare le spin‑wave con un segnale microonde a onda continua. È stato applicato un campo magnetico statico in piano esterno H0 di μ0H0 = 50 mT per lanciare spin‑wave in modalità superficie.

In questo modo, sono riusciti a produrre una grande rete con 198 nodi, aprendo le porte a circuiti integrati magnonici su larga scala. Consente anche la creazione replicabile e flessibile di strutture complesse di alta qualità.

Inoltre, il team ha raggiunto una lunghezza di propagazione delle spin‑wave di oltre 100 µm, e il loro approccio senza incisione ha permesso di avere una rete integrata di spin‑wave composta da 34 porte di ingresso parallele e 34 uscite. Lo studio ha dichiarato:

“Questi risultati aprono la strada alla realizzazione di reti magnoniche avanzate con controllo senza precedenti e aprono entusiasmanti vie per realizzare sistemi di calcolo a spin‑wave su larga scala a bassa perdita.” 

Investire in AI Efficiente

Nel mondo dell’intelligenza artificiale, NVIDIA Corporation (NVDA )
è il leader indiscusso con i suoi acceleratori e chip AI. La più grande azienda al mondo per capitalizzazione di mercato, oltre 4 trilioni di dollari, NVIDIA, ha anche investito in architetture a basso consumo energetico.

NVIDIA Corporation (NVDA )

Le GPU di Nvidia offrono miglioramenti di performance per watt. In particolare, l’architettura Blackwell promette LLM generativi con trilioni di parametri con un consumo energetico e costi fino a 25 volte inferiori rispetto alla precedente architettura Hopper.

Blackwell, fondata da Jensen Huang, l’amministratore delegato, ha dichiarato lo scorso anno che è progettata per essere “molto performante e molto efficiente dal punto di vista energetico.”

Nvidia offre anche sistemi di raffreddamento a liquido, il NVIDIA GB200 NVL72 e il NVIDIA GB300 NVL72, per gestire i compiti impegnativi di inferenza LLM con la loro architettura ottimizzata specificamente per la precisione e le prestazioni di scaling in tempo di test.

Il colosso tecnologico è inoltre coinvolto nella ricerca e sviluppo di AI al bordo con la sua piattaforma NVIDIA EGX™ , che combina potenza di calcolo, gestione remota e sistemi e software per portare l’AI al bordo. NVIDIA IGX Orin™ è progettato per ambienti industriali e medici, mentre la piattaforma NVIDIA Jetson™ è la sua soluzione robotica.

Un’altra area di ricerca di Nvidia è la fotonica. All’inizio di quest’anno, l’azienda ha annunciato i nuovi switch di rete fotonica co‑packaged per collegare milioni di GPU tra siti riducendo consumo energetico e costi operativi. 

“Integrando la fotonica al silicio direttamente negli switch, NVIDIA sta superando le vecchie limitazioni delle reti iperscalari e aziendali e aprendo la porta a fabbriche AI con milioni di GPU.”

– Huang

La nuova tecnologia utilizza fasci di luce laser per trasmettere informazioni su cavi in fibra ottica tra chip. Sarà disponibile più tardi quest’anno e nel 2026.

L’azienda ha anche valutato un uso più ampio nei suoi chip GPU di punta, ma al momento non ha piani concreti, poiché le connessioni in rame tradizionali sono ancora “di ordine di grandezza” più affidabili rispetto alle connessioni ottiche co‑packaged.

Per quanto riguarda le performance di mercato di Nvidia, è stato straordinario. Nell’ottobre 2022 le azioni NVDA erano sotto 11 $, ora sono sopra 165 $. Con ciò, ha un EPS (TTM) di 3,10 e un P/E (TTM) di 53,12. L’azienda offre anche un dividendo, sebbene sia solo dello 0,02%.

Per quanto riguarda i dati finanziari, nel primo trimestre dell’anno fiscale 2026, Nvidia ha registrato un fatturato di 44,1 miliardi di dollari, in crescita del 12 % rispetto al Q4, mentre il fatturato dei data center è stato di 39,1 miliardi di dollari, un aumento del 10 % rispetto al trimestre precedente.

La domanda per l’infrastruttura AI dell’azienda, ha osservato Huang, è “incredibilmente forte.”

Ultime Notizie e Sviluppi sulle Azioni di NVIDIA Corporation (NVDA)

Conclusione

Man mano che il mondo continua ad adottare l’AI, che promette maggiore efficienza, produttività migliorata, decisioni più informate ed esperienze personalizzate, il mercato per questa potente tecnologia è previsto che valga miliardi di dollari nel 2025.

Ma con la crescente domanda di AI ad alto consumo energetico, aumentano anche le sue esigenze energetiche, il che comporta tensioni sulle reti elettriche e un aumento delle emissioni di gas serra.

Per raggiungere un’AI veramente efficiente, sono necessari sforzi coordinati nell’evoluzione sia del software che dell’hardware. In questo contesto, innovazioni come l’addestramento più intelligente dei modelli, modelli più piccoli, prompt concisi, compressione dei modelli, calcolo neuromorfico, AI al bordo e fotonica potrebbero aiutare a creare un futuro in cui la scala non debba comportare richieste energetiche insostenibili.

Qui, l’ultima scoperta nel calcolo a spin‑wave potrebbe definire il futuro del calcolo a basso consumo e ad alte prestazioni, potenzialmente diventando fondamentale per le architetture AI di prossima generazione.

Clicca qui per apprendere tutto sull’investimento nell’intelligenza artificiale.

Riferimenti:

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