Spin‑Wave‑netwerken: de volgende sprong in efficiënte AI‑computing

Kunstmatige intelligentie (AI) is aan het transformeren hoe we leven. Met het potentieel om industrieën te revolutioneren, wordt verwacht dat de technologie triljoenen aan waarde zal genereren.

Van gezondheidszorg tot onderwijs, transport, entertainment en financiën, AI heeft de efficiëntie en nauwkeurigheid in sectoren sterk verbeterd. AI helpt ook de energie‑efficiëntie te verbeteren. Bijvoorbeeld, wetenschappers van over de hele wereld werkten samen om een nieuw type materiaal te creëren¹ dat met behulp van AI de energiekosten helpt verlagen.

Maar wat betreft de enorme energiebehoefte van AI zelf? De energie‑zware AI vormt een grote uitdaging. Met de snelle toename van AI‑toepassingen groeit de energie‑vraag ook dramatisch, waardoor onze energie‑infrastructuur onder druk komt te staan.

Dagelijks worden machine‑learning (ML) modellen steeds complexer. Hoe groter en geavanceerder ze worden, hoe hoger de benodigde middelen om deze modellen te trainen en uit te voeren. 

Het trainen van ML‑modellen vereist niet alleen rekenkracht, maar ook energie en water voor de datacenters die de IT‑infrastructuur huisvesten die nodig is om AI‑toepassingen en -diensten te trainen, implementeren en leveren.

Vijay Gadepally, een senior wetenschapper bij het MIT Lincoln Laboratory Supercomputing Center (LLSC), had het volgende gezegd een paar jaar geleden toen de situatie zich nog ontwikkelde:

“Naarmate we van tekst naar video naar afbeelding gaan, worden deze AI‑modellen steeds groter, en dat geldt ook voor hun energie‑impact. Dit zal uitgroeien tot een behoorlijk grote hoeveelheid energieverbruik en een groeiende bron van uitstoot wereldwijd.”

Volgens de International Energy Agency (IEA) zal de wereldwijde elektriciteitsvraag van datacenters verdubbelen van een geschatte 460 terawattuur (TWh) in 2022 naar 1.000 TWh in 2026, wat ongeveer gelijk staat aan het elektriciteitsverbruik van Japan.

Reeds heeft het elektriciteitsverbruik van datacenters ongeveer 1,5% van het wereldwijde elektriciteitsverbruik bereikt.

Nieuw onderzoek van UNESCO en University College London (UCL) waarschuwt dat de energiebehoefte van AI, met name grote taalmodellen (LLM’s), onhoudbare niveaus heeft bereikt, en om dit te veranderen, “hebben we een paradigmaverschuiving nodig in hoe we het gebruiken.”

Volgens hun rapport worden generatieve AI‑tools dagelijks door meer dan 1 miljard mensen gebruikt, waarbij elke interactie ongeveer 0,34 wattuur energie per prompt verbruikt. Het zei:

“Dit komt neer op 310 gigawattuur per jaar, gelijk aan het jaarlijkse elektriciteitsverbruik van meer dan 3 miljoen mensen in een arm Afrikaans land.” 

In hun rapport stelde het team van computerwetenschappers drie belangrijke innovaties voor om aanzienlijke energiebesparingen mogelijk te maken. Dit omvat het gebruik van kleinere modellen, die net zo slim en nauwkeurig zijn als grote, maar het energieverbruik tot 90 % kunnen verminderen. Daarnaast kortere, meer beknopte prompts en antwoorden die het energieverbruik met meer dan 50 % kunnen verlagen, terwijl modelcompressie tot 44 % energiebesparing kan opleveren.

AI efficiënter maken met slimmere software, groenere hardware

Gloeiende AI-chip ingebed in een groen blad, symbool voor energie‑efficiënte AI

Niet alleen een groeiend aantal individuen neemt AI steeds meer over, maar ook steeds meer organisaties integreren deze technologie in hun bedrijfsvoering.

Een studie van het IBM Institute for Business Value (IBV) onthulde dat de meerderheid (77 %) de noodzaak voelt om generatieve AI snel te gebruiken om gelijke tred te houden met hun klanten. 

In de loop der jaren hebben verschillende andere technologische innovaties, zoals computing, vergelijkbare zorgen opgeroepen, die vervolgens werden aangepakt via efficiëntie‑innovaties. Hetzelfde kan nu met AI worden gedaan. Van onderzoekers tot bedrijven, iedereen werkt momenteel aan het begrijpen van de impact en het vinden van oplossingen om de negatieve effecten te beperken.

Deze oplossingen omvatten het gebruik van schone en hernieuwbare energie, evenals kleinere modellen en slimmere modeltraining. 

Om de energie‑efficiëntie‑uitdagingen van AI aan te pakken, richten onderzoekers zich op twee fronten:

• Software‑innovaties
• Hardware‑verbeteringen

In de hardware‑sector is power‑capping een oplossing die potentieel het energieverbruik met tot 15 % kan verminderen. Er is ook koolstof‑efficiënte hardware, die “een model koppelt aan de meest koolstof‑efficiënte mix van hardware,” volgens MIT. 

Op de MIT Sustainability Conference in oktober suggereerde Gadepally, die de energie‑bewuste onderzoeksinspanningen bij LLSC leidt, het heroverwegen van AI‑modeltraining en te investeren in efficiëntere hardware. Het MIT Lincoln Laboratory heeft Gadepally’s aanbevelingen toegepast om zijn eigen datacenter‑voetafdruk te verkleinen.

Het gebruik van meer computationeel efficiënte hardware en gespecialiseerde hardware‑versnellers kan ook bijdragen aan energiebesparing. Parallelisatie, die de trainingstijd van het algoritme verkort door berekeningen over meerdere verwerkingskernen te verdelen, en edge computing, die berekeningen uitvoert op de locaties waar de data wordt verzameld of gebruikt, zijn andere veelbelovende hardware‑oplossingen.

Wetenschappers wenden zich ook tot het menselijk brein, dat 100 miljard neuronen en 100 triljoen synaptische verbindingen heeft, om machines te verbeteren. 

Dit heeft geleid tot neuromorfe computing, die, in plaats van te vertrouwen op traditionele von‑Neumann‑architecturen, kunstmatige neuronen en synapsen gebruikt om informatie te verwerken op een manier die lijkt op het brein, om zo grotere energie‑efficiëntie en rekencapaciteit te bereiken.

Bijvoorbeeld ontwikkelden onderzoekers van de College of Engineering van Seoul National University neuromorfe apparaten² op basis van hybride organisch‑anorganische materialen.

Over het belangrijkste deel van hun onderzoek zei professor Ho Won Jang dat het “ligt in het aantonen dat uniforme ionbeweging over het oppervlak van het materiaal belangrijker is voor het ontwikkelen van high‑performance neuromorfe hardware dan het creëren van gelokaliseerde filamenten in halfgeleider‑materialen.”

Licht is een andere manier waarop AI‑hardware wordt verbeterd. In plaats van elektrische signalen gebruikt fotonische computing licht en maakt het parallelle operaties mogelijk met minimale warmte‑verlies. 

Enkele maanden geleden brachten onderzoekers van Columbia Engineering een 3D fotonisch‑elektronisch platform uit³ dat een uitstekende energie‑efficiëntie en bandbreedtedichtheid bereikt. Hiervoor integreerden ze fotonica met geavanceerde CMOS‑elektronische circuits. De 3D‑geïntegreerde fotonisch‑elektronische chip levert een hoge bandbreedte (800 Gb/s) terwijl hij slechts 120 femtojoule per bit verbruikt. De bandbreedtedichtheid van 5,3 Tb/s/mm² overtreft bovendien bestaande benchmarks.

Afgelopen zomer toonden onderzoekers van de College of Science and Engineering van de Universiteit van Minnesota een nieuwe technologie⁴ genaamd computationele random‑access memory (CRAM) die de AI‑energieconsumptie potentieel met 1.000 keer kan verminderen.

Met silicon‑fotonica die opkomt als een disruptieve technologie voor de volgende generatie ML‑versnellers, hebben onderzoekers van Hewlett‑Packard Labs een energie‑efficiënt en schaalbaar silicon‑fotonisch platform geïntroduceerd⁵ dat dient als onderliggende basis voor AI‑versnellingshardware.

Fotonische AI‑versnellers, in tegenstelling tot traditionele, die afhankelijk zijn van elektronische gedistribueerde neurale netwerken (DNN’s), gebruiken optische neurale netwerken⁶ (ONN’s) die hoge paralleliteit, extreem lage latentie en minimaal warmteverlies bieden.

Hoewel silicon‑fotonica gemakkelijk te vervaardigen is, is het moeilijk te schalen; daarom is het platform. Het wordt gefabriceerd met silicon‑fotonica in combinatie met III‑V samengestelde halfgeleiders (zoals InP of GaAs).

Nu is er een nieuwe methode die AI efficiënter kan maken, en dat is door grote spin‑waveguide‑netwerken mogelijk te maken die de verwerking van geavanceerde informatie aankunnen. Spin‑wave is een veelbelovende oplossing voor informatieverwerking.

Deze doorbraak in AI‑hardware‑efficiëntie is bereikt door een team van Duitse wetenschappers van de universiteiten van Münster en Heidelberg.

Onder leiding van Rudolf Bratschitsch, een natuurkundig professor aan de Universiteit van Münster, heeft het team een uitgebreid spin‑waveguide‑netwerk gecreëerd dat informatie verwerkt met aanzienlijk minder energie, waardoor het een veelbelovend alternatief is voor energie‑intensieve elektronica.

Schaalbare magnetonische circuits als het nieuwe front in energie‑efficiënte AI

Spin‑waves die door een nanoschaal‑circuit stromen, illustrerend magnonische netwerken

Hoewel magnonische netwerken gebaseerd op magnetische isolatoren informatieverwerking kunnen revolutioneren dankzij hun energie‑efficiëntie, lijden de bouwblokken van deze netwerken, d.w.z. spin‑wave‑waveguides, onder inefficiënte dispersietuning en beperkte spin‑wave‑propagatie‑lengtes.

Deze beperkingen zijn aangepakt door het team van wetenschappers uit Münster en Heidelberg. 

Gepubliceerd in het wetenschappelijke tijdschrift Nature Materials⁷, beschrijft de studie de ontwikkeling van een nieuwe manier om waveguides te creëren waarin de spin‑waves zeer ver kunnen propageren, waardoor het grootste spin‑waveguide‑netwerk tot nu toe is gebouwd. 

Maar dat is niet alles. Het team kon ook de eigenschappen van de spin‑wave die in de waveguide werd overgedragen, beheersen. Bijvoorbeeld, de wetenschappers konden de golflengte en reflectie van de spin‑wave op een bepaalde interface nauwkeurig wijzigen. De studie merkte op:

“De dispersie van de waveguides kan continu worden afgestemd dankzij de precieze en gelokaliseerde ionimplantatie, waardoor ze zich onderscheiden van gangbaar geëtste waveguides.” 

Elektronspin of intrinsiek hoekmomentum is een fundamentele kwantummechanische eigenschap van elektronen, waarbij de uitlijning van meerdere spins de magnetische eigenschappen bepaalt. Als nu een wisselstroom wordt toegepast op een magnetisch materiaal met een antenne, ontstaat er een wisselend magnetisch veld, en kunnen de spins in het materiaal een spin‑wave genereren.

Spin‑waves zijn excitaties van een magnetisch materiaal, en ze bieden spannende mogelijkheden voor geavanceerde informatieverwerking. 

Wat ze echt aantrekkelijk maakt, zijn hun kenmerkende eigenschappen, zoals een natuurlijke sterke niet‑lineariteit en hoge-snelheidswerking binnen het frequentiebereik van gigahertz (GHz) tot terahertz (THz). 

Recentelijk zijn onderzoekers begonnen spin‑waves te gebruiken in nanoschaal‑magnetische structuren en netwerken voor signaalverwerking en rekenapplicaties. Deze opkomende technologie kan helpen de beperkingen van traditionele halfgeleider‑micro‑electronics op het gebied van rekendichtheid en hoge-dimensionale verwerkingscapaciteit aan te pakken.

Belangrijker nog, de lage energie‑voetafdruk van spin‑wave‑technologie is bijzonder aantrekkelijk. 

Het nut van de technologie ligt in het vermogen om informatie te coderen in de fase, frequentie en amplitude van spin‑waves. Deze strategie, vergelijkbaar met elektromagnetische golven, maakt een flexibel scala aan gegevensverwerking mogelijk door gebruik te maken van de afhankelijkheid van voortplantingskenmerken van deze parameters.

Spin‑waves worden momenteel gebruikt om verschillende individuele componenten te creëren. Logische poorten die logische bewerkingen uitvoeren op binaire ingangen om een enkele binaire uitgang te produceren, zijn een voorbeeld. Multiplexers zijn een ander type apparaat dat één van meerdere ingangssignalen selecteert. 

Andere voorbeelden omvatten kruisingen, koppelaars, geheugens, meerderheids‑poorten, (de‑)multiplexers, interferometers, splitters en spectrum‑analysatoren. 

Al deze apparaten kunnen onafhankelijk functioneren als informatieverwerkingseenheden of integreren in grotere, complexe netwerken met geavanceerde functionaliteiten.

In een groot netwerk zijn de verbindingen tussen elementen op maat gemaakte waveguides voor spin‑waves. Deze waveguides zijn belangrijk om spin‑waves te beperken en te geleiden van het ene element naar het andere en vereisen daardoor minimale voortplantingsverliezen. Dergelijke waveguides en hun combinaties dienen ook als functionele spin‑wave‑apparaten.

De componenten zijn echter tot nu toe niet verbonden om een groter circuit te vormen.

“Het feit dat grotere netwerken, zoals die in de elektronica, nog niet zijn gerealiseerd, is gedeeltelijk te wijten aan de sterke demping van de spin‑waves in de waveguides die de individuele schakelingselementen verbinden – vooral als ze smaller zijn dan een micrometer en dus op nanoschaal liggen.”

– Physicist Professor Bratschitsch

Dus, om dat probleem te overwinnen, gebruikte het team het materiaal met momenteel de laagste demping, namelijk yttrium‑ijzergarnet (YIG). Het heeft de laagste demping en de langste voortplantingslengte van spin‑waves, tot millimeters. 

Voor het realiseren van waveguides voor spin‑waves worden meestal litografische benaderingen gebruikt. Om nanoschaal‑waveguides in YIG te creëren, is de geavanceerde fabricagemethode gebaseerd op reactieve ion‑etsen van dunne YIG‑films. Maar zelfs met hoogwaardige YIG‑films en geavanceerde etsprocessen is de maximale gerapporteerde voortplantingslengte 54 µm.

Het ontwikkelen van hybride structuren is een andere opkomende benadering waarbij YIG‑films worden gecombineerd met nanostrepen van ferromagnetisch metaal om nanoscopische spin‑wave‑transportkanalen te definiëren via dipolaire koppeling, wat spin‑wave‑propagatie‑lengtes van ongeveer 20 µm oplevert.

Dan is er ion‑implantatie, die recentelijk werd gebruikt om spin‑waves in YIG te manipuleren. Gefocuste ionen‑bundel‑schrijven heeft de precieze modificatie van YIG‑films op submicroscopische schaal mogelijk gemaakt.

Dus gebruikten de wetenschappers een commercieel verkrijgbare 110 nm dikke film van het magnetische materiaal YIG en graveerden vervolgens individuele spin‑wave‑waveguides erin met een bundel van silicium‑ionen.

Het mask‑loze implantatieproces maakte het mogelijk om meerdere op maat gemaakte spin‑wave‑structuren op één substraat te creëren. Maar belangrijker nog, het kan opgeschaald worden om wafer‑grote magnonische geïntegreerde circuits te fabriceren.

Er werd ook een gouden microstrip‑antenne gefabriceerd met electron‑beam‑lithografie om spin‑waves te excitatie met een continue‑golf‑microwave‑signaal. Een extern statisch in‑plane magnetisch veld H0 van μ0H0 = 50 mT werd toegepast om surface‑mode spin‑waves te lanceren.

Op deze manier konden ze een groot netwerk met 198 knooppunten produceren, waardoor de deur naar grootschalige magnonische geïntegreerde circuits werd geopend. Het maakt ook de replicabele en flexibele creatie van complexe structuren van hoge kwaliteit mogelijk.

Bovendien bereikte het team een spin‑wave‑propagatie‑lengte van meer dan 100 µm, en hun ets‑vrije benadering stelde hen in staat een geïntegreerd spin‑wave‑netwerk te hebben bestaande uit 34 parallelle invoerpoorten en 34 uitgangen. De studie stelde:

“Deze resultaten banen de weg voor de realisatie van geavanceerde magnonische netwerken met ongeëvenaarde controle en spannende mogelijkheden voor het realiseren van verliesarme grootschalige spin‑wave‑reken­systemen.” 

Investeren in efficiënte AI

In de wereld van kunstmatige intelligentie is NVIDIA Corporation (NVDA )
de duidelijke leider met zijn AI‑versnellers en chips. Het grootste bedrijf ter wereld met een marktkapitalisatie van meer dan $4 triljoen, NVIDIA, investeert ook in energie‑efficiënte architecturen.

NVIDIA Corporation (NVDA )

De GPU’s van Nvidia bieden verbeteringen in prestaties per watt. Met name de Blackwell‑architectuur belooft generatieve AI op triljoen‑parameter LLM’s met tot 25 x minder kosten en energieverbruik dan de vorige Hopper‑architectuur.

Blackwell, opgericht door Jensen Huang, de CEO, zei vorig jaar, is ontworpen om “zeer performant en zeer energie‑efficiënt” te zijn.

Nvidia biedt ook vloeistofkoelingssystemen aan, de NVIDIA GB200 NVL72 en de NVIDIA GB300 NVL72, om de veeleisende taken van LLM‑inference aan te kunnen met hun architectuur die specifiek is geoptimaliseerd voor nauwkeurigheid en prestaties bij test‑time scaling.

De tech‑gigant is ook betrokken bij edge‑AI‑onderzoek en -ontwikkeling met zijn NVIDIA EGX™‑platform, dat krachtige computing, remote management en systemen en software combineert om AI naar de edge te brengen. NVIDIA IGX Orin™ is ontworpen voor industriële en medische omgevingen, terwijl het NVIDIA Jetson™‑platform hun robotica‑oplossing is.

Een ander onderzoeksgebied bij Nvidia is fotonica. Eerder dit jaar kondigde het bedrijf zijn nieuwe co‑gepackageerde silicon‑fotonische netwerkschakelaars aan om miljoenen GPU’s over locaties te verbinden, terwijl het energieverbruik en operationele kosten worden verlaagd. 

“Door silicon‑fotonica direct in schakelaars te integreren, breekt NVIDIA de oude beperkingen van hyperscale‑ en enterprise‑netwerken en opent de poort naar AI‑fabrieken met miljoenen GPU’s.”

– Huang

De nieuwe technologie gebruikt laserlichtstralen om informatie via glasvezelkabels tussen chips te verzenden. Het zal later dit jaar en in 2026 beschikbaar komen.

Het bedrijf heeft ook onderzocht om het breder te gebruiken in zijn vlaggenschip‑GPU‑chips, maar heeft momenteel nog geen plannen, aangezien traditionele koperen verbindingen nog steeds “ordes van grootte” betrouwbaarder zijn dan co‑gepackageerde optische verbindingen.

Wat betreft Nvidia’s marktprestaties, die zijn ronduit buitengewoon. In okt. 2022 daalden NVDA‑aandelen onder $11 en worden ze momenteel verhandeld boven $165. Daarmee heeft het een EPS (TTM) van 3,10 en een P/E (TTM) van 53,12. Het bedrijf biedt zelfs een dividendrendement, hoewel slechts 0,02%.

Wat de financiën betreft, rapporteerde Nvidia voor het eerste kwartaal van het fiscale jaar 2026 een omzet van $44,1 miljard, een stijging van 12 % ten opzichte van Q4, terwijl de datacenter‑omzet $39,1 miljard bedroeg, een stijging van 10 % ten opzichte van het vorige kwartaal.

De vraag naar de AI‑infrastructuur van het bedrijf, merkte Huang op, is “ongelooflijk sterk”.

Laatste NVIDIA Corporation (NVDA) aandelennieuws en ontwikkelingen

Conclusie

Naarmate de wereld AI blijft adopteren, wat belooft de efficiëntie te verhogen, de productiviteit te verbeteren, besluitvorming te optimaliseren en gepersonaliseerde ervaringen te bieden, wordt verwacht dat de markt voor deze krachtige technologie in 2025 miljarden dollars waard zal zijn.

Maar naarmate de vraag naar energie‑zware AI groeit, doen ook de energiebehoeften ervan mee, wat betekent dat de energienetwerken onder druk komen te staan en de uitstoot van broeikasgassen stijgt.

Om echt efficiënte AI te bereiken, zijn gecoördineerde inspanningen nodig in de evolutie van zowel software als hardware. Tegen deze achtergrond kunnen innovaties zoals slimmere modeltraining, kleinere modellen, beknopte prompts, modelcompressie, neuromorfe computing, edge‑AI en fotonica een toekomst helpen creëren waarin schaal niet gepaard gaat met onhoudbare energiebehoeften.

Hier kan de nieuwste doorbraak in spin‑wave‑computing de toekomst van laag‑energie, high‑performance computing definiëren, en mogelijk de basis vormen voor AI‑architecturen van de volgende generatie.

Klik hier om alles te leren over investeren in kunstmatige intelligentie.

Referenties:

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