Spin‑bølge‑nettverk: Det neste spranget i effektiv AI‑beregning

Kunstig intelligens (AI) er i ferd med å transformere måten vi lever. Med sitt potensial til å revolusjonere industrier, teknologien forventes å generere billioner i verdi.

Fra helsevesen til utdanning, transport, underholdning og finans har AI i stor grad forbedret effektivitet og nøyaktighet på tvers av sektorer. AI har også bidratt til å forbedre energieffektiviteten. For eksempel samarbeidet forskere fra hele verden for å skape¹ en ny klasse av materiale ved bruk av AI som bidrar til å redusere energikostnader.

Men hva med de enorme energikravene til AI selv? Den energikrevende AI utgjør en stor utfordring. Med den raske økningen i AI‑applikasjoner øker energibehovet også dramatisk, og legger press på vår energiinfrastruktur.

Hver dag blir maskinlæringsmodeller (ML) stadig mer komplekse. Jo større og mer sofistikerte de blir, desto høyere blir ressurskravene for å trene og kjøre disse modellene. 

Trening av ML‑modeller krever ikke bare databehandlingsressurser, men også energi og vann til datasentre som huser IT‑infrastrukturen som trengs for å trene, distribuere og levere AI‑applikasjoner og -tjenester.

Vijay Gadepally, en seniorforsker ved MIT Lincoln Laboratory Supercomputing Center (LLSC), sa følgende for et par år siden da situasjonen fortsatt var under utvikling:

“Etter hvert som vi går fra tekst til video til bilde, blir disse AI‑modellene stadig større, og deres energipåvirkning vokser også. Dette vil utvikle seg til en betydelig mengde energibruk og bli en økende bidragsyter til utslipp over hele verden.”

Ifølge International Energy Agency (IEA) vil det globale strømforbruket fra datasentre dobles fra anslåtte 460 terawatt‑timer (TWh) i 2022 til 1 000 TWh i 2026, noe som er omtrent likt strømforbruket i Japan.

Allerede har strømforbruket fra datasentre nådd omtrent 1,5 % av det globale strømforbruket.

En ny forskning publisert av UNESCO og University College London (UCL) advarer om at energikravene til AI, spesielt store språkmodeller (LLM), har nådd usustainable nivåer, og for å endre dette, “trenger vi et paradigmeskifte i hvordan vi bruker den.”

Ifølge rapporten blir generative AI‑verktøy brukt av over 1 milliard mennesker daglig, med hver interaksjon som bruker omtrent 0,34 watt‑timer energi per prompt. Den sa:

“Dette summerer seg til 310 gigawatt‑timer per år, tilsvarende det årlige strømforbruket til over 3 millioner mennesker i et lavinntektsland i Afrika.” 

I rapporten foreslo teamet av datavitere tre sentrale innovasjoner for å oppnå betydelige energibesparelser. Dette inkluderer bruk av mindre modeller, som er like smarte og nøyaktige som store, men kan redusere energiforbruket med opptil 90 %. Deretter finnes kortere, mer konsise prompts og svar som kan kutte energiforbruket med over 50 %, mens modellkomprimering kan spare opptil 44 % av energien.

Gjør AI mer effektivt med smartere programvare, grønnere maskinvare

Glødende AI‑brikke integrert i et grønt blad som symboliserer energieffektiv AI

Ikke bare et økende antall individer tar i økende grad i bruk AI, men flere og flere organisasjoner integrerer også denne teknologien i sin virksomhet.

En studie av IBM Institute for Business Value (IBV) viste at flertallet (77 %) føler behovet for raskt å bruke generativ AI for å holde tritt med sine kunder. 

Gjennom årene har flere andre teknologiske innovasjoner, som databehandling, reist lignende bekymringer, som deretter ble adressert gjennom effektivitetsinnovasjoner. Det samme kan nå gjøres med AI. Fra forskere til selskaper arbeider alle nå med å forstå dens påvirkning og finne løsninger for å dempe dens negative effekter.

Disse løsningene inkluderer bruk av ren og fornybar energi, samt mindre modeller og smartere modelltrening. 

For å takle AI‑s utfordringer med energieffektivitet, fokuserer forskere på to fronter:

• Programvareinnovasjoner
• Maskinvareforbedringer

I maskinvareområdet er kraftbegrensning en løsning som potensielt kan redusere energiforbruket med opptil 15 %. Det finnes også karbon‑effektiv maskinvare, som “matcher en modell med den mest karbon‑effektive kombinasjonen av maskinvare,” ifølge MIT. 

På MIT Sustainability Conference i oktober foreslo Gadepally, som leder energibevisste forskningsinnsatser ved LLSC, å revurdere AI‑modelltrening og investere i mer effektiv maskinvare. MIT Lincoln Laboratory har brukt Gadepallys anbefalinger for å redusere sitt eget datasenteravtrykk.

Bruk av mer beregningsmessig effektiv maskinvare og spesialiserte maskinvareakseleratorer kan også bidra til energibesparelser. Parallelisering, som reduserer algoritmens treningstid ved å fordele beregningene på flere prosessorkjerner, og edge‑computing, som utfører beregningene på stedene hvor dataene samles inn eller brukes, er andre lovende maskinvareløsninger.

Forskere vender også seg til den menneskelige hjernen, som har 100 milliarder nevroner og 100 billioner synaptiske forbindelser, for å gjøre maskiner bedre. 

Dette har ført til nevromorfisk databehandling, som i stedet for å stole på tradisjonelle von Neumann‑arkitekturer, bruker kunstige nevroner og synapser til å behandle informasjon på en måte lik hjernen for å oppnå større energieffektivitet og beregningskraft.

For eksempel har forskere fra Seoul National University College of Engineering utviklet² nevromorfe enheter basert på hybride organisk‑inorganiske materialer.

Når man snakker om den sentrale delen av forskningen, bemerket professor Ho Won Jang at det “ligger i å demonstrere at jevn ionbevegelse over materialets overflate er viktigere for å utvikle høy‑ytelses nevromorf maskinvare enn å skape lokaliserte filamenter i halvledermaterialer.”

Lys er en annen måte AI‑maskinvare blir forbedret på. I stedet for elektriske signaler bruker fotonisk databehandling lys og tillater parallelle operasjoner med minimal varmetap. 

For bare noen måneder siden publiserte forskere fra Columbia Engineering lanserte³ en 3D fotonisk‑elektronisk plattform som oppnår stor energieffektivitet og båndbredde‑tetthet. Til dette integrerte de fotonikk med avanserte CMOS‑elektronikk‑kretser. Den 3D‑integrerte fotonisk‑elektroniske brikken leverer høy båndbredde (800 Gb/s) mens den kun bruker 120 femtojoule per bit. Dens 5,3 Tb/s/mm² båndbredde‑tetthet overgår også eksisterende referanser.

Sist sommer viste forskere fra University of Minnesota College of Science and Engineering en ny teknologi⁴ kalt beregnings‑random‑access‑minne (CRAM) som potensielt kan kutte AI‑energiforbruket med 1 000 ganger.

Med silisium‑fotonikk som en disruptiv teknologi for neste generasjons akseleratorer for ML, har forskere fra Hewlett‑Packard Labs introdusert⁵ en energieffektiv og skalerbar silisium‑fotonisk plattform som skal fungere som det underliggende fundamentet for AI‑akselerator‑maskinvare.

Fotoniske AI‑akseleratorer, i motsetning til tradisjonelle som er avhengige av elektroniske distribuerte nevrale nettverk (DNN), bruker optiske nevrale nettverk⁶ (ONN) som gir høy parallellisme, ekstremt lav latens og minimal varmetap.

Selv om de er enkle å produsere, er silisium‑fotonikk vanskelig å skalere; derfor er plattformen. Den fremstilles ved bruk av silisium‑fotonikk sammen med III‑V‑kompound‑halvledere (som InP eller GaAs).

Nå finnes det en ny metode som kan gjøre AI mer effektiv, og det er ved å muliggjøre store spin‑bølge‑guide‑nettverk for å håndtere behandling av avansert informasjon. Spin‑bølger er en lovende løsning for informasjonsbehandling.

Dette gjennombruddet i AI‑maskinvareeffektivitet er oppnådd av et team av tyske forskere fra universitetene i Münster og Heidelberg.

Ledet av Rudolf Bratschitsch, professor i fysikk ved Münster, har teamet laget et omfattende spin‑bølge‑guide‑nettverk som behandler informasjon med betydelig mindre energi, og dermed er et lovende alternativ til energikrevende elektronikk.

Skalerbare magnonske kretsløp som den nye frontlinjen i energieffektiv AI

Spin‑bølger som flyter gjennom en nanoskalakrets som illustrerer magnonske nettverk

Selv om magnonske nettverk basert på magnetiske isolatorer kan revolusjonere informasjonsbehandling på grunn av deres energieffektivitet, lider byggesteinene i disse nettverkene, dvs. spin‑bølge‑guide‑er, av ineffektiv dispersjons‑tuning og begrensede spin‑bølge‑propageringslengder.

Disse begrensningene har blitt adressert av forskerteamet fra Münster og Heidelberg. 

Publisert i det vitenskapelige tidsskriftet Nature Materials⁷, studien beskrev utviklingen av en ny metode for å lage guide‑er hvor spin‑bølgene kan propageres svært langt, og dermed bygge det største spin‑bølge‑guide‑nettverket hittil. 

Men det er ikke alt. Teamet klarte også å kontrollere egenskapene til spin‑bølgen som ble overført i guide‑en. For eksempel kunne forskerne presist endre bølgelengden og refleksjonen til spin‑bølgen ved et bestemt grensesnitt. Studien bemerket:

“Dispersjonen i guide‑ene kan kontinuerlig justeres på grunn av presis og lokalisert ion‑implantasjon, noe som skiller dem fra vanlig etsede guide‑er.” 

Elektronspinn eller innebygd vinkelmoment er en grunnleggende kvantemekanisk egenskap ved elektroner, hvor justeringen av flere spinn bestemmer de magnetiske egenskapene. Nå, hvis en vekselstrøm påføres et magnetisk materiale med en antenne, produseres et skiftende magnetisk felt, og spinnene i materialet kan generere en spin‑bølge.

Spin‑bølger er eksitasjoner i et magnetisk materiale, og de gir spennende muligheter for avansert informasjonsbehandling. 

Det som virkelig gjør dem attraktive er deres særegne egenskaper, som en naturlig sterk ikke‑linearitet og høyhastighetsoperasjon innen frekvensbåndet fra gigahertz (GHz) til terahertz (THz).

I nyere tid har forskere begynt å bruke spin‑bølger i nanoskalale magnetiske strukturer og nettverk for signalbehandling og beregningsapplikasjoner. Denne fremvoksende teknologien kan bidra til å løse begrensninger i tradisjonell halvleder‑mikroelektronikk med hensyn til beregnings‑tetthet og høy‑dimensjonal behandlingskapasitet.

Enda viktigere er det lave energifotavtrykket til spin‑bølge‑teknologien som er spesielt tiltalende. 

Nytten av teknologien ligger i dens evne til å kode informasjon i fase, frekvens og amplitude av spin‑bølger. Denne strategien, lik elektromagnetiske bølger, gir en fleksibel rekkevidde for databehandling ved å utnytte avhengigheten av propagasjons‑egenskaper på disse parametrene.

Spin‑bølger brukes i dag til å lage ulike individuelle komponenter. Logiske porter som utfører logiske operasjoner på binære innganger for å produsere ett binært utgang er ett eksempel. Multiplexere er en annen type enhet som velger ett av flere inngangssignaler. 

Andre eksempler inkluderer kryssinger, koblere, minne, majoritetsporter, (de‑)multiplexere, interferometre, splittere og spektrumanalysatorer. 

Alle disse enhetene kan enten fungere uavhengig som informasjonsbehandlingsenheter eller integreres i større, komplekse nettverk med avanserte funksjoner.

I et stort nettverk er koblingene mellom elementene tilpassede guide‑er for spin‑bølger. Disse guide‑ene er viktige for å begrense og lede spin‑bølger fra ett element til et annet, og som sådan krever de minimale propagerings‑tap. Slike guide‑er og deres kombinasjoner fungerer også som funksjonelle spin‑bølge‑enheter.

Komponentene har imidlertid ikke blitt koblet sammen for å danne en større krets frem til nå.

“Faktumet at større nettverk som de som brukes i elektronikk ennå ikke er realisert, skyldes delvis den sterke dempingen av spin‑bølgene i guide‑ene som forbinder de enkelte bryter‑elementene – spesielt hvis de er smalere enn en mikrometer og dermed på nanoskalaen.”

– Fysiker professor Bratschitsch

Så, for å overvinne dette problemet, brukte teamet materialet som for tiden har den laveste dempingen, nemlig yttrium‑jern‑garnett (YIG). Det har den laveste dempingen og lengste propageringslengde for spin‑bølger, som når millimeter. 

Når det gjelder å realisere guide‑er for spin‑bølger, brukes vanligvis litografiske metoder. For å lage nanoskalale guide‑er i YIG er den avanserte fremstillingsmetoden basert på reaktiv ion‑etsing av tynne YIG‑filmer. Men selv med høykvalitets YIG‑filmer og toppmoderne etsingsprosesser er den maksimale rapporterte propageringslengden kun 54 µm.

Utvikling av hybride strukturer er en annen fremvoksende tilnærming hvor YIG‑filmer kombineres med nanostriper av ferromagnetisk metall for å definere nanoskale spin‑bølge‑transportkanaler gjennom dipolær kobling, som gir propageringslengder på omtrent 20 µm.

Deretter finnes ion‑implantasjon, som nylig ble brukt for å manipulere spin‑bølger i YIG. Fokusert ion‑stråleskriving har gjort det mulig å presist modifisere YIG‑filmer på en submikrometer‑skala.

Dermed brukte forskerne en kommersielt tilgjengelig 110 nm tykk film av det magnetiske materialet YIG og deretter innskrev individuelle spin‑bølge‑guide‑er i den ved hjelp av en stråle av silisium‑ioner. 

Den maskeløse implantasjonsprosessen tillot opprettelsen av flere tilpassede spin‑bølge‑strukturer på ett substrat. Men viktigere er at den kan skaleres opp for å fremstille wafer‑størrelse magnonske integrerte kretser. 

En gull‑mikrostrip‑antenne ble også fremstilt med elektron‑stråle‑litografi for å excitere spin‑bølger med et kontinuerlig mikrobølgesignal. Et eksternt statisk in‑plane magnetisk felt H0 på μ0H0 = 50 mT ble påført for å starte overflatemodus‑spin‑bølger.

På denne måten klarte de å produsere et stort nettverk med 198 noder, noe som åpner døren til storskala magnonske integrerte kretser. Det gjør også at komplekse strukturer av høy kvalitet kan opprettes reproduserbart og fleksibelt.

Dessuten oppnådde teamet en spin‑bølge‑propageringslengde på over 100 µm, og deres etsingsfrie tilnærming tillot dem å ha et integrert spin‑bølge‑nettverk bestående av 34 parallelle inngangsporter og 34 utganger. Studien uttalte:

“Disse resultatene baner vei for å realisere avanserte magnonske nettverk med enestående kontroll og spennende muligheter for å realisere lav‑tap storskala spin‑bølge‑beregningssystemer.” 

Investere i effektiv AI

I verden av kunstig intelligens er NVIDIA Corporation (NVDA ) den klare lederen med sine AI‑akseleratorer og brikker. Verdens største selskap etter markedsverdi på over 4 billioner dollar, NVIDIA, har også investert i energieffektive arkitekturer.

NVIDIA Corporation (NVDA )

Nvidias GPU‑er gir forbedringer i ytelse‑per‑watt. Spesielt Blackwell‑arkitekturen lover generativ AI på trillion‑parameter LLM‑er med opptil 25 ganger lavere kostnad og energiforbruk enn den tidligere Hopper‑arkitekturen.

Blackwell, grunnlagt av Jensen Huang, administrerende direktør,, sa i fjor, er designet for å være “svært ytelsessterk og svært energieffektiv.”

Nvidia tilbyr også væskekjølingssystemer, NVIDIA GB200 NVL72 og NVIDIA GB300 NVL72, for å håndtere de krevende oppgavene med LLM‑inferenz ved deres arkitektur spesielt optimalisert for test‑tid skaleringsnøyaktighet og ytelse.

Teknologigiganten er også involvert i edge‑AI‑forskning og -utvikling med sin NVIDIA EGX™‑plattform, som kombinerer kraftig databehandling, fjernstyring, samt systemer og programvare for å bringe AI til kanten. NVIDIA IGX Orin™ er designet for industrielle og medisinske miljøer, mens NVIDIA Jetson™‑plattformen er deres robotikkløsningsplattform.

Et annet forskningsområde hos Nvidia er fotonikk. Tidligere i år kunngjorde selskapet sine nye sam‑pakkede silisium‑fotoniske nettverkssvitsjer for å koble millioner av GPU‑er på tvers av lokasjoner, samtidig som energiforbruket og driftskostnadene reduseres. 

“Ved å integrere silisium‑fotonikk direkte i svitsjer, bryter NVIDIA de gamle begrensningene for hyperskala‑ og bedriftsnettverk og åpner døren til AI‑fabrikker med millioner av GPU‑er.”

– Huang

Den nye teknologien bruker laserlysstråler for å sende informasjon på fiberoptiske kabler mellom brikker. Den vil lanseres senere i år og inn i 2026.

Selskapet har også vurdert å bruke den bredere i sine flaggskip‑GPU‑brikker, men har foreløpig ingen planer om dette, da tradisjonelle kobberforbindelser fortsatt er “ordener av størrelsesorden” mer pålitelige enn sam‑pakkede optiske forbindelser.

Når det gjelder Nvidias markedsytelse, har den vært intet mindre enn ekstraordinær. I okt. 2022 falt NVDA‑aksjene under $11 og handles nå over $165. Med dette har den en EPS (TTM) på 3,10 og en P/E (TTM) på 53,12. Selskapet tilbyr også en utbytteavkastning, men kun 0,02 %.

Når det gjelder økonomi, rapporterte Nvidia for første kvartal i regnskapsåret 2026 en omsetning på $44,1 milliarder, opp 12 % fra Q4, mens inntektene fra datasentre kom inn på $39,1 milliarder, en økning på 10 % fra forrige kvartal.

Etterspørselen etter selskapets AI‑infrastruktur, bemerket Huang, er “utrolig sterk.”

Siste nyheter og utviklinger om NVIDIA Corporation (NVDA)

Konklusjon

Etter hvert som verden fortsetter å ta i bruk AI, som lover økt effektivitet, forbedret produktivitet, bedre beslutningstaking og personaliserte opplevelser, forventes markedet for denne kraftige teknologien å være verdt flere milliarder dollar i 2025.

Men etter hvert som etterspørselen etter energikrevende AI vokser, gjør også dens energibehov, noe som betyr belastning på energinett og økende klimagassutslipp.

For å oppnå virkelig effektiv AI kreves koordinerte innsats i utviklingen av både programvare og maskinvare. Mot denne bakgrunnen kan innovasjoner som smartere modelltrening, mindre modeller, konsise prompts, modellkomprimering, nevromorf databehandling, edge‑AI og fotonikk bidra til å skape en fremtid hvor skala ikke trenger å medføre usustainable energikrav.

Her kan det nyeste gjennombruddet innen spin‑bølge‑beregning definere fremtiden for lav‑strøm, høy‑ytelses‑beregning, og potensielt bli grunnleggende for neste generasjons AI‑arkitekturer.

Klikk her for å lære alt om investering i kunstig intelligens.

Referanser:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabredbånds‑ og bånd‑selektive termiske meta‑utslippere ved maskinlæring. 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. Lineært programmerbare todimensjonale halid‑perovskitt‑memristor‑arrayer for nevromorf databehandling. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Tredimensjonal fotonisk integrasjon for ultra‑lav‑energi, høy‑båndbredde interchip‑datakoblinger. 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. Eksperimentell demonstrasjon av magnetisk tunnel‑junction‑basert beregnings‑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. Storskala integrert fotonisk enhetsplattform for energieffektive AI/ML‑akseleratorer. 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. Optiske nevrale nettverk: fremgang og utfordringer. 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. Dispersjons‑justerbare lav‑tap implanterte spin‑bølge‑guide‑er for store magnonske nettverk. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y