Redes de Ondas de Spin: O Próximo Salto na Computação de IA Eficiente

A inteligência artificial (IA) está transformando a maneira como nós vivemos. Com seu potencial de revolucionar indústrias, a tecnologia espera‑se que gere trilhões em valor.

Da saúde à educação, transporte, entretenimento e finanças, a IA aumentou consideravelmente a eficiência e a precisão em todos os setores. A IA também tem ajudado a melhorar a eficiência energética. Por exemplo, cientistas de todo o mundo colaboraram para criar¹ uma nova classe de material usando IA que ajuda a reduzir os custos de energia.

Mas e quanto às enormes demandas de energia da própria IA? A IA faminta por energia apresenta um grande desafio. Com o rápido aumento nas aplicações de IA, a demanda por energia também está aumentando drasticamente, colocando, por sua vez, pressão em nossa infraestrutura energética.

Todos os dias, os modelos de aprendizado de máquina (ML) estão se tornando cada vez mais complexos. E quanto maiores e mais sofisticados eles ficam, maiores são os requisitos de recursos para treinar e executar esses modelos. 

Treinar modelos de ML requer não apenas recursos computacionais, mas também energia e água para os data centers que abrigam a infraestrutura de TI necessária para treinar, implantar e fornecer aplicações e serviços de IA.

Vijay Gadepally, um cientista sênior do MIT Lincoln Laboratory Supercomputing Center (LLSC), disse o seguinte há alguns anos, quando a situação ainda estava se desenvolvendo:

“À medida que avançamos do texto para o vídeo e para a imagem, esses modelos de IA estão ficando cada vez maiores, assim como seu impacto energético. Isso se tornará uma quantidade considerável de uso de energia e um contribuinte crescente para as emissões em todo o mundo.”

Conforme projeta a Agência Internacional de Energia (IEA), a demanda global de eletricidade dos data centers irá dobrar de um estimado 460 terawatts-hora (TWh) em 2022 para 1.000 TWh em 2026, o que equivale aproximadamente ao consumo de eletricidade do Japão.

Já, o consumo de eletricidade dos data centers atingiu cerca de 1.5% da consumo global de eletricidade.

Uma nova pesquisa divulgada pela UNESCO e pela University College London (UCL) também avisa que as demandas de energia da IA, especialmente dos grandes modelos de linguagem (LLMs), atingiram níveis insustentáveis, e para mudar isso, “precisamos de uma mudança de paradigma em como a utilizamos.”

De acordo com o relatório, as ferramentas de IA generativa estão sendo usadas por mais de 1 bilhão de pessoas diariamente, com cada interação consumindo cerca de 0,34 watt-hora de energia por prompt. O relatório afirma:

“Isso totaliza 310 gigawatt-horas por ano, equivalente ao consumo anual de eletricidade de mais de 3 milhões de pessoas em um país africano de baixa renda.” 

No relatório, a equipe de cientistas da computação sugeriu três inovações‑chave para possibilitar economias de energia substanciais. Isso inclui o uso de modelos menores, que são tão inteligentes e precisos quanto os grandes, mas podem reduzir o consumo de energia em até 90%. Em seguida, há prompts e respostas mais curtos e concisos que podem reduzir o consumo de energia em mais de 50%, enquanto a compressão de modelos pode economizar até 44% de energia.

Tornando a IA Mais Eficiente com Software Mais Inteligente, Hardware Mais Verde

Chip de IA brilhante incorporado em uma folha verde simbolizando IA energeticamente eficiente

Não apenas um número crescente de indivíduos estão cada vez mais adotando IA, mas cada vez mais organizações também estão integrando esta tecnologia em seus negócios.

Um estudo do IBM Institute for Business Value (IBV) revelou que a maioria (77%) sente a necessidade de usar generativa IA rapidamente para acompanhar seus clientes. 

Ao longo dos anos, várias outras inovações tecnológicas, como computação, levantaram preocupações semelhantes, que foram então abordadas por meio de inovações de eficiência. O mesmo pode agora ser feito com IA. De pesquisadores a empresas, todos estão atualmente trabalhando para entender seu impacto e encontrar soluções para mitigar seus efeitos negativos.

Essas soluções incluem o uso de energia limpa e renovável, bem como modelos menores e treinamento de modelo mais inteligente. 

Para enfrentar os desafios de eficiência energética da IA, os pesquisadores estão focados em duas frentes:

• Inovações de software
• Melhorias de hardware

No hardware, o power‑capping é uma solução que pode potencialmente reduzir o consumo de energia em até 15%. Também existe hardware com eficiência de carbono, que “combina um modelo com a mistura de hardware mais eficiente em carbono,” segundo MIT. 

Na Conferência de Sustentabilidade do MIT em outubro, Gadepally, que lidera esforços de pesquisa conscientes de energia no LLSC, sugeriu repensar o treinamento de modelos de IA e investir em hardware mais eficiente. O MIT Lincoln Laboratory tem aplicado as recomendações de Gadepally para reduzir sua própria pegada de data center.

Usar hardware mais computacionalmente eficiente e aceleradores de hardware especializados também pode contribuir para economias de energia. A paralelização, que reduz o tempo de treinamento do algoritmo distribuindo a computação entre vários núcleos de processamento, e a computação de borda, que realiza a computação nos locais onde os dados são coletados ou usados, são outras soluções de hardware promissoras de hardware.

Os cientistas também estão recorrendo ao cérebro humano, que possui 100 bilhões de neurônios e 100 trilhões conexões sinápticas, para melhorar as máquinas. 

Isso levou à computação neuromórfica, que, em vez de depender de arquiteturas tradicionais von Neumann,utiliza neurônios artificiais e sinapses para processar informações de maneira semelhante ao cérebro, a fim de alcançar maior eficiência energética e poder computacional.

Por exemplo, pesquisadores da Seoul National University College of Engineering desenvolveram² dispositivos neuromórficos baseados em materiais híbridos orgânicos‑inorgânicos.

Falando sobre a parte chave de sua pesquisa, o Professor Ho Won Jang observou que “reside em demonstrar que o movimento iônico uniforme na superfície do material é mais importante para desenvolver hardware neuromórfico de alto desempenho do que criar filamentos localizados em materiais semicondutores.”

A luz é outra forma de melhorar o hardware de IA. Em vez de sinais elétricos, a computação fotônica usa luz e permite operações paralelas com perda mínima de calor. 

Há apenas alguns meses, pesquisadores da Columbia Engineering lançaram³ uma plataforma fotônica‑eletrônica 3D que alcança grande eficiência energética e densidade de largura de banda. Para isso, eles integraram fotônica com circuitos eletrônicos CMOS avançados. O chip fotônico‑eletrônico integrado em 3D oferece alta largura de banda (800 Gb/s) consumindo apenas 120 femtojoules por bit. Sua densidade de largura de banda de 5,3 Tb/s/mm² também supera os benchmarks existentes.

No verão passado, pesquisadores da University of Minnesota College of Science and Engineering, por sua vez, mostraram uma nova tecnologia⁴ chamada memória de acesso aleatório computacional (CRAM) que pode potencialmente reduzir o uso de energia da IA em 1.000 vezes.

Com a fotônica de silício emergindo como uma tecnologia disruptiva para aceleradores de próxima geração para ML, pesquisadores da Hewlett-Packard Labs apresentaram introduziram⁵ uma plataforma fotônica de silício eficiente em energia e escalável para servir como base subjacente para hardware de aceleradores de IA.

Aceleradores de IA fotônicos, ao contrário dos tradicionais, quedependem de redes neurais distribuídas eletrônicas (DNNs), usam redes neurais ópticas⁶ (ONNs) que oferecem alto paralelismo, latência extremamente baixa e perda mínima de calor.

Embora fáceis de fabricar, fotônica de silício são difíceis de escalar; portanto, a plataforma. Ela é fabricada usando fotônica de silício juntamente com semicondutores compostos III‑V (como InP ou GaAs).

Agora, há um novo método que pode tornar a IA mais eficiente, eque consiste em habilitar grandes redes de guias de ondas de spin para lidar com o processamento de informações avançadas. A onda de spin é uma solução promissora para o processamento de informações.

Esta inovação na eficiência de hardware de IA foi alcançada por uma equipe de cientistas alemães das Universidades de Münster e Heidelberg.

Liderada por Rudolf Bratschitsch, professor de física em Münster, a equipe criou uma vasta rede de guias de ondas de spin que processa informações com significativamente menos energia, tornando-a uma alternativa promissora à eletrônica intensiva em energia.

Circuitos Magnônicos Escaláveis como a Nova Fronteira da IA Energicamente Eficiente

Ondas de spin fluindo através de um circuito em escala nanométrica ilustrando redes magnônicas

Embora redes magnônicas baseadas em isolantes magnéticos possam revolucionar o processamento de informações devido à sua eficiência energética, os blocos de construção dessas redes, ou seja, os guias de ondas de spin, sofrem com capacidades ineficientes de ajuste de dispersão e comprimentos limitados de propagação das ondas de spin.

Essas limitações foram abordadas pela equipe de cientistas de Münster e Heidelberg.

Publicado na revista científica Nature Materials⁷, o estudo detalhou o desenvolvimento de uma nova forma de criar guias de ondas nas quais as ondas de spin podem propagar‑se por distâncias muito grandes, assim construindo a maior rede de guias de ondas de spin até agora. 

Mas isso não é tudo. A equipe também conseguiu controlar as propriedades da onda de spin que foi transmitida no guia de ondas. Por exemplo, os cientistas foram capazes de mudar precisamente o comprimento de onda e a reflexão da onda de spin em uma determinada interface. O estudo observou:

“A dispersão dos guias de ondas pode ser continuamente ajustada devido à implantação iônica precisa e localizada, o que os diferencia dos guias de ondas comumente gravados.” 

O spin do elétron ou momento angular intrínseco é uma propriedade fundamental da mecânica quântica dos elétrons, onde o alinhamento de vários spins determina as propriedades magnéticas. Agora, se uma corrente alternada for aplicada a um material magnético com uma antena, um campo magnético variável é produzido, e os spins no material podem gerar uma onda de spin.

Ondas de spin são excitações de um material magnético, e apresentam possibilidades empolgantes para o processamento avançado de informações. 

O que realmente as torna atraentes são suas características distintas, como uma forte não linearidade natural e operação em alta velocidade dentro da faixa de frequência de gigahertz (GHz) a terahertz (THz).

Recentemente, pesquisadores começaram a utilizar ondas de spin em estruturas magnéticas em escala nanométrica e redes para aplicações de processamento de sinais e computação. Essa tecnologia emergente pode ajudar a superar limitações inerentes à microeletrônica semicondutora tradicional em termos de densidade computacional e capacidade de processamento de alta dimensão.

Mais importante, a pegada de baixa energia da tecnologia de ondas de spin é particularmente atraente. 

A utilidade da tecnologia reside em sua capacidade de codificar informações na fase, frequência e amplitude das ondas de spin. Essa estratégia, semelhante às ondas eletromagnéticas, permite uma gama flexível de processamento de dados ao aproveitar a dependência dos atributos de propagação desses parâmetros.

Ondas de spin são atualmente usadas para criar diferentes componentes individuais. Portas lógicas que realizam operações lógicas em entradas binárias para produzir uma única saída binária são um exemplo. Multiplexadores são outro tipo de dispositivo que seleciona um de vários sinais de entrada. 

Outros exemplos incluem cruzamentos, acopladores, memórias, portas de maioria, (des)multiplexadores, interferômetros, divisores e analisadores de espectro. 

Todos esses dispositivos podem funcionar de forma independente como unidades de processamento de informação ou integrar‑se em redes maiores e complexas com funcionalidades avançadas.

Em uma rede grande, os enlaces entre elementos são guias de ondas personalizados para ondas de spin. Esses guias de ondas são importantes para confinar e guiar as ondas de spin de um elemento a outro e,como tal, requerem perdas de propagação mínimas. Esses guias de ondas e suas combinações também servem como dispositivos funcionais de ondas de spin.

Os componentes, no entanto, não foram conectados para formar um circuito maior até agora.

“O fato de que redes maiores, como as usadas em eletrônica, ainda não foram realizadas, deve‑se em parte à forte atenuação das ondas de spin nos guias de ondas que conectam os elementos de comutação individuais – especialmente se forem mais estreitos que um micrômetro e, portanto, em escala nanométrica.”

– Professor Bratschitsch, físico

Então, o que a equipe fez para superar esse problema foi usar o material que atualmente tem a menor atenuação, que é o granada de ferro de ítrio (YIG). Ele possui o menor amortecimento e o maior comprimento de propagação das ondas de spin, alcançando milímetros. 

Quanto à realização de guias de ondas para ondas de spin, abordagens litográficas são geralmente usadas. Para criar guias de ondas em escala nanométrica em YIG, a abordagem avançada de fabricação é baseada em gravação iônica reativa de filmes finos de YIG. Mas mesmo com filmes de YIG de alta qualidade e processos de gravação de última geração, o comprimento máximo de propagação relatado é de 54 µm.

Desenvolver estruturas híbridas é outra abordagem emergente onde filmes de YIG são combinados com nanofitas de metal ferromagnético para definir canais de transporte de ondas de spin nanoscópicos através de acoplamento dipolar, que cria comprimentos de propagação de ondas de spin de ~20 µm.

Depois há a implantação iônica, que foi recentemente usada para manipular ondas de spin em YIG. A escrita com feixe iônico focado permitiu a modificação precisa de filmes de YIG em escala submicrométrica.

Então, os cientistas usaram um filme comercialmente disponível de 110 nm espesso de material magnético YIG e então inscreveram guias de ondas de spin individuais nele usando um feixe de íons de silício.

O processo de implantação sem máscara permitiu a criação de múltiplas estruturas de ondas de spin personalizadas em um único substrato. Mas, mais importante, pode ser escalado para fabricar circuitos integrados magnéticos em tamanho de wafer. 

Uma antena de microfita de ouro também foi fabricada com filme de litografia por feixe de elétrons para excitar ondas de spin com um sinal de micro‑ondas de onda contínua. Um campo magnético estático externo no plano H0 de μ0H0 = 50 mT foi aplicado para lançar ondas de spin de modo de superfície.

Dessa forma, eles foram capazes de produzir uma grande rede com 198 nós, abrindo portas para circuitos integrados magnônicos em larga escala. Também permite que estruturas complexas de alta qualidade sejam criadas de forma replicável e flexível.

Além disso, a equipe alcançou um comprimento de propagação de ondas de spin superior a 100 µm, e sua abordagem sem gravação permitiu que tivessem uma rede integrada de ondas de spin composta por 34 portas de entrada paralelas e 34 saídas. O estudo afirmou:

“Esses resultados abrem caminho para a realização de redes magnônicas avançadas com controle incomparável e vias empolgantes para a criação de sistemas de computação de ondas de spin em larga escala e baixa perda.” 

Investindo em IA Eficiente

No mundo da inteligência artificial, NVIDIA Corporation (NVDA ) é o líder claro com seus aceleradores e chips de IA. A maior empresa do mundo por capitalização de mercado, com mais de US$ 4 trilhões, NVIDIA, também tem investido em arquiteturas energeticamente eficientes.

NVIDIA Corporation (NVDA )

As GPUs da Nvidia oferecem melhorias de desempenho por watt. Sua arquitetura Blackwell, em particular, promete IA de geração em LLMs de trilhões de parâmetros com até 25 vezes menos custo e consumo de energia em comparação com sua arquitetura Hopper anterior.

Blackwell, fundada por Jensen Huang, o CEO, disse no ano passado, ser projetada para ser “muito performática e muito eficiente em energia.”

A Nvidia também oferece sistemas de refrigeração líquida, o NVIDIA GB200 NVL72 e o NVIDIA GB300 NVL72, para lidar com as exigentes tarefas de inferência de LLMs com sua arquitetura especificamente otimizada para precisão e desempenho de escalonamento em tempo de teste.

O gigante tecnológico também está envolvido em pesquisa e desenvolvimento de IA de borda com sua plataforma NVIDIA EGX™ , que combina computação poderosa, gerenciamento remoto e sistemas e software para levar IA à borda. O NVIDIA IGX Orin™ é projetado para ambientes industriais e médicos, enquanto a plataforma NVIDIA Jetson™ é sua solução de robótica.

Outra área de pesquisa na Nvidia é a fotônica. No início deste ano, a empresa anunciou seus novos switches de rede fotônica de silício co‑embalados para conectar milhões de GPUs entre sites, reduzindo o consumo de energia e os custos operacionais.

“Ao integrar fotônica de silício diretamente nos switches, a NVIDIA está quebrando as antigas limitações das redes hiperescaláveis e corporativas e abrindo caminho para fábricas de IA com milhões de GPUs.”

– Huang

A nova tecnologia usa feixes de luz laser para enviar informações em cabos de fibra óptica entre chips. Será lançada ainda este ano e em 2026.

A empresa também avaliou usar essa tecnologia de forma mais ampla em seus chips GPU principais, mas atualmente não tem planos de fazê‑lo ainda, pois as conexões de cobre tradicionais ainda são “ordens de magnitude” mais confiáveis que as conexões ópticas co‑embaladas.

Quanto ao desempenho de mercado da Nvidia, tem sido extraordinário. Em outubro de 2022, as ações da NVDA estavam abaixo de US$ 11 e atualmente negociam acima de US$ 165. Com isso, possui um EPS (TTM) de 3,10 e um P/E (TTM) de 53,12. A empresa ainda oferece um rendimento de dividendos, embora apenas 0,02%.

Quanto às finanças, no primeiro trimestre do exercício fiscal de 2026, a Nvidia reportou receita de US$ 44,1 bilhões, um aumento de 12% em relação ao quarto trimestre, enquanto a receita de data center foi de US$ 39,1 bilhões, um aumento de 10% em relação ao trimestre anterior.

A demanda pela infraestrutura de IA da empresa, observou Huang, está “incrivelmente forte”.

Últimas Notícias e Desenvolvimentos das Ações da NVIDIA Corporation (NVDA)

Conclusão

À medida que o mundo continua a adotar IA, que promete maior eficiência, produtividade aprimorada, tomada de decisão melhorada e experiências personalizadas, espera‑se que o mercado para essa poderosa tecnologia valha bilhões de dólares em 2025.

Mas à medida que a demanda por IA que consome muita energia cresce, também aumentam suas necessidades energéticas, o que significa pressão sobre as redes elétricas e aumento das emissões de gases de efeito estufa.

Para alcançar uma IA verdadeiramente eficiente, são necessários esforços coordenados na evolução tanto do software quanto do hardware. Nesse contexto, inovações como treinamento de modelo mais inteligente, modelos menores, prompts concisos, compressão de modelo, computação neuromórfica, IA de borda e fotônica podem ajudar a criar um futuro onde a escala não precise vir acompanhada de demandas energéticas insustentáveis.

Aqui, a mais recente inovação em computação de ondas de spin pode definir o futuro da computação de baixo consumo e alto desempenho, potencialmente tornando‑se fundamental para arquiteturas de IA de próxima geração.

Clique aqui para aprender tudo sobre investir em inteligência artificial.

Referências:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Emissores Meta‑térmicos ultrabaixa largura de banda e seletivos por banda por aprendizado de máquina. 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. Matrizes memristoras de haleto perovskita bidimensionais programáveis linearmente para computação neuromórfica. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Integração fotônica tridimensional para links de dados interchip ultra‑baixa energia e alta largura de banda. 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. Demonstração experimental de memória de acesso aleatório computacional baseada em junção túnel magnética. 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. Plataforma de dispositivos fotônicos integrados em larga escala para aceleradores de IA/ML energeticamente eficientes. 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. Redes neurais ópticas: progresso e desafios. 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. Guias de ondas de spin implantados de baixa perda e dispersão ajustável para grandes redes magnônicas. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y