Spinvågsnätverk: nästa steg i effektiv AI-beräkning

Artificiell intelligens (AI) är förändrar sättet vi lever. Med sin potential att revolutionera industrier, förväntas teknologin generera biljoner i värde.

Från sjukvård till utbildning, transport, underhållning och finans har AI avsevärt förbättrat effektiviteten och noggrannheten inom sektorerna. AI har också hjälpt till att förbättra energieffektiviteten. Till exempel har forskare från hela världen samarbetat för att skapa¹ en ny klass av material med hjälp av AI som hjälper till att minska energikostnaderna.

Men vad sägs om de enorma energikrav som AI i sig själv har? Den energikrävande AI:n utgör en stor utmaning. Med den snabba ökningen av AI‑applikationer ökar också efterfrågan på energi dramatiskt, vilket i sin tur belastar vår energiinfrastruktur.

Varje dag blir maskininlärningsmodeller (ML) allt mer komplexa. Och ju större och mer sofistikerade de blir, desto högre blir resursbehoven för att träna och köra dessa modeller. 

Träning av ML‑modeller kräver inte bara beräkningsresurser utan också energi och vatten för de datacenter som rymmer den IT‑infrastruktur som behövs för att träna, distribuera och leverera AI‑applikationer och -tjänster.

Vijay Gadepally, en seniorforskare vid MIT Lincoln Laboratory Supercomputing Center (LLSC), hade sagt följande för ett par år sedan när situationen fortfarande utvecklades:

“När vi går från text till video till bild blir dessa AI‑modeller allt större, och deras energipåverkan ökar också. Detta kommer att växa till en ganska betydande mängd energianvändning och bli en växande bidragsgivare till utsläppen världen över.”

Enligt Internationella energibyråns (IEA) prognoser kommer den globala elförbrukningen från datacenter att fördubblas från uppskattade 460 terawattimmar (TWh) år 2022 till 1 000 TWh år 2026, vilket ungefär motsvarar Japans elförbrukning.

Redan har elförbrukningen från datacenter nått omkring 1,5 % av den globala elförbrukningen.

En ny forskning publicerad av UNESCO och University College London (UCL) varnar för att energikraven för AI, särskilt stora språkmodeller (LLM), har nått ohållbara nivåer, och för att förändra detta “behövs ett paradigmskifte i hur vi använder den.”

Enligt deras rapport används generativa AI‑verktyg av över en miljard människor dagligen, med varje interaktion som förbrukar cirka 0,34 wattimmar energi per prompt. Det stod:

“Detta uppgår till 310 gigawattimmar per år, motsvarande den årliga elförbrukningen för över 3 miljoner människor i ett låginkomstland i Afrika.” 

I sin rapport föreslog teamet av datavetare tre nyckelinnovationer för att möjliggöra betydande energibesparingar. Detta inkluderar att använda mindre modeller, som är lika intelligenta och precisa som stora men kan minska energianvändningen med upp till 90 %. Dessutom finns kortare, mer koncisa prompts och svar som kan reducera energianvändningen med över 50 % medan modellkomprimering kan spara upp till 44 % av energin.

Gör AI mer effektivt med smartare mjukvara, grönare hårdvara

Glödande AI‑chip inbäddad i ett grönt blad som symboliserar energieffektiv AI

Inte bara ett växande antal individer börjar i allt högre grad anta AI, utan också allt fler organisationer integrerar denna teknik i sin verksamhet.

En studie av IBM Institute for Business Value (IBV) visade att majoriteten (77 %) känner behovet av att snabbt använda generativ AI för att hålla jämna steg med sina kunder. 

Genom åren har flera andra tekniska innovationer, såsom databehandling, väckt liknande oro, som sedan adresserades genom effektivitetsinnovationer. Samma kan nu göras med AI. Från forskare till företag arbetar alla för närvarande med att förstå dess påverkan och hitta lösningar för att mildra dess negativa effekter.

Dessa lösningar inkluderar användning av ren och förnybar energi, samt mindre modeller och smartare modellträning. 

För att tackla AI:s energieffektivitetssvårigheter fokuserar forskare på två fronter:

• Mjukvaruinnovationer
• Hårdvaruförbättringar

I hårdvarusfären är power-capping en lösning som potentiellt kan minska energiförbrukningen med upp till 15 %. Det finns också koldioxid‑effektiv hårdvara, som “matchar en modell med den mest koldioxid‑effektiva mixen av hårdvara,” enligt MIT. 

Vid MIT Sustainability Conference i oktober föreslog Gadepally, som leder energimedvetna forskningsinsatser vid LLSC, att ompröva AI‑modellträning och investera i mer effektiv hårdvara. MIT Lincoln Laboratory har använt Gadepallys rekommendationer för att minska sitt eget datacenteravtryck.

Användning av mer beräknings‑effektiv hårdvara och specialiserade hårdvaruacceleratorer kan också bidra till energibesparingar. Parallelisering, som minskar algoritmens träningstid genom att distribuera beräkningarna över flera processorkärnor, och edge‑computing, som utför beräkningarna på de platser där data samlas in eller används, är andra lovande hårdvarulösningar.

Forskare vänder sig också till den mänskliga hjärnan, som har 100 miljarder neuroner och 100 biljoner synaptiska anslutningar, för att göra maskiner bättre. 

Detta har lett till neuromorfisk databehandling, som istället för att förlita sig på traditionella von Neumann arkitekturer, använder artificiella neuroner och synapser för att bearbeta information på ett sätt som liknar hjärnan för att uppnå större energieffektivitet och beräkningskraft.

Till exempel har forskare från Seoul National University College of Engineering utvecklat² neuromorfa enheter baserade på hybridorganiska‑oorganiska material.

När de talar om nyckeldelen av sin forskning noterade professor Ho Won Jang att det “ligger i att demonstrera att enhetlig jonrörelse över materialets yta är viktigare för att utveckla högpresterande neuromorfisk hårdvara än att skapa lokala filament i semikonduktormaterial.”

Ljus är ett annat sätt AI‑hårdvara förbättras. Istället för elektriska signaler använder fotonisk databehandling ljus och möjliggör parallella operationer med minimal värmeförlust. 

För bara några månader sedan släppte forskare från Columbia Engineering en 3D fotonisk‑elektronisk plattform³ som uppnår stor energieffektivitet och bandbreddstäthet. För detta integrerade de fotonik med avancerade CMOS‑elektronikcirklar. Den 3D‑integrerade fotonisk‑elektroniska chippen levererar hög bandbredd (800 Gb/s) samtidigt som den förbrukar endast 120 femtojoule per bit. Dess 5,3 Tb/s/mm² bandbreddstäthet överträffar också befintliga referenser.

Förra sommaren visade forskare från University of Minnesota College of Science and Engineering, en ny teknik⁴ kallad beräknings‑random‑access‑minne (CRAM) som potentiellt kan minska AI‑energiförbrukningen med 1 000 gånger.

Med silikonsfotonic som en störande teknik för nästa generations acceleratorer för ML, har forskare från Hewlett‑Packard Labs introducerat⁵ en energieffektiv och skalbar silikonsfotonic plattform som kan tjäna som den underliggande grunden för AI‑acceleratorhårdvara.

Fotoniska AI‑acceleratorer, till skillnad från traditionella, som är beroende av elektroniska distribuerade neurala nätverk (DNNs), använder optiska neurala nätverk⁶ (ONNs) som erbjuder hög parallellism, extremt låg latens och minimal värmeförlust.

Medan silikonsfotonic är lätt att tillverka, är den svår att skala; därför plattformen. Den tillverkas med silikonsfotonic tillsammans med III‑V förenade halvledare (som InP eller GaAs).

Nu finns en ny metod som kan göra AI mer effektiv, och det är genom att möjliggöra stora spin‑vågguide‑nätverk för att hantera bearbetning av avancerad information. Spin‑vågor är en lovande lösning för informationsbearbetning.

Detta genombrott i AI‑hårdvarueffektivitet uppnås av ett team av tyska forskare från universiteten i Münster och Heidelberg.

Ledd av Rudolf Bratschitsch, professor i fysik vid Münster, har teamet skapat ett omfattande spin‑vågguide‑nätverk som bearbetar information med avsevärt mindre energi, vilket gör det till ett lovande alternativ till energikrävande elektronik.

Skalbara magnonkretsar som den nya frontlinjen för energieffektiv AI

Spinvågor som flödar genom en nanoskalig krets som illustrerar magnonkraftnätverk

Medan magnonkraftnätverk baserade på magnetiska isolatorer kan revolutionera informationsbearbetning på grund av deras energieffektivitet, lider byggstenarna i dessa nätverk, dvs. spin‑vågguide, av ineffektiva spridningsinställningar och begränsade spin‑vågspropageringslängder.

Dessa begränsningar har åtgärdats av teamet av forskare från Münster och Heidelberg. 

Publicerad i den vetenskapliga tidskriften Nature Materials⁷, studien detaljerade utvecklingen av ett nytt sätt att skapa vågledare där spin‑vågorna kan propagera mycket långt, vilket byggde det största spin‑vågguide‑nätverket hittills. 

Men det är inte allt. Teamet kunde också kontrollera egenskaperna hos spin‑vågen som överfördes i vågledaren. Till exempel kunde forskarna exakt ändra våglängden och reflektionen av spin‑vågen vid ett visst gränssnitt. Studien noterade:

“Dispersionen av vågledarna kan kontinuerligt justeras på grund av den precisa och lokala jonimplantationen, vilket skiljer dem från vanligt etsade vågledare.” 

Elektronspinn eller inneboende vinkelmoment är en grundläggande kvantmekanisk egenskap hos elektroner, där justeringen av flera spinn bestämmer de magnetiska egenskaperna. Om en växelström appliceras på ett magnetiskt material med en antenn, produceras ett förändrat magnetfält, och spinnarna i materialet kan generera en spin‑våg.

Spin‑vågor är excitationer i ett magnetiskt material, och de presenterar spännande möjligheter för avancerad informationsbearbetning. 

Det som verkligen gör dem attraktiva är deras distinkta egenskaper, såsom en naturlig stark icke‑linjäritet och hög hastighetsdrift inom frekvensbandet gigahertz (GHz) till terahertz (THz).

På senare tid har forskare börjat använda spin‑vågor i nanoskaliga magnetiska strukturer och nätverk för signalbehandling och beräkningsapplikationer. Denna framväxande teknik kan hjälpa till att adressera begränsningar i traditionell halvledarmikroelektronik när det gäller beräkningsdensitet och högdimensionell bearbetningskapacitet.

Viktigare är den låga energifotavtrycket hos spin‑vågstekniken som är särskilt tilltalande. 

Nyttan med tekniken ligger i dess förmåga att koda information i fas, frekvens och amplitud hos spin‑vågor. Denna strategi, likt elektromagnetiska vågor, möjliggör ett flexibelt spektrum av databehandling genom att utnyttja beroendet av propagationsattribut på dessa parametrar.

Spin‑vågor används för närvarande för att skapa olika enskilda komponenter. Logiska grindar som utför logiska operationer på binära ingångar för att producera ett enda binärt resultat är ett exempel. Multiplexrar är en annan typ av enhet som väljer en av flera ingångssignaler. 

Andra exempel inkluderar korsningar, kopplare, minnen, majoritetsgrindar, (de‑)multiplexrar, interferometrar, splitters och spektrumanalysatorer. 

Alla dessa enheter kan antingen fungera oberoende som informationsbearbetningsenheter eller integreras i större, komplexa nätverk med avancerade funktioner.

I ett stort nätverk är länkarna mellan elementen anpassade vågledare för spin‑vågor. Dessa vågledare är viktiga för att både begränsa och leda spin‑vågor från ett element till ett annat och, som sådana, kräver minimala propageringsförluster. Sådana vågledare och deras kombinationer fungerar också som funktionella spin‑vågsenheter.

Komponenterna har dock inte kopplats ihop till en större krets tills nu.

“Faktum är att större nätverk som de som används i elektronik ännu inte har realiserats, delvis på grund av den starka dämpningen av spin‑vågorna i vågledarna som förbinder de individuella växlings elementen – särskilt om de är smalare än en mikrometer och därmed på nanoskalig nivå.”

– Professor Bratschitsch

Så, vad teamet gjorde för att övervinna problemet var att de använde materialet som för närvarande har den lägsta dämpningen, nämligen yttriumjärngarnet (YIG). Det har den lägsta dämpningen och den längsta propageringslängden för spin‑vågor, som når millimeter.

När det gäller att realisera vågledare för spin‑vågor används vanligtvis litografiska metoder. För att skapa nanoskaliga vågledare i YIG är den avancerade tillverkningsmetoden baserad på reaktiv jonetchning av tunna YIG‑filmer. Men även med högkvalitativa YIG‑filmer och toppmoderna etsprocesser är den maximala propageringslängden som rapporterats 54 µm.

Utveckling av hybridstrukturer är ett annat framväxande tillvägagångssätt där YIG‑filmer kombineras med nanostrimmar av ferromagnetiskt metall för att definiera nanoskala spin‑vågstransportkanaler genom dipolär koppling, vilket ger spin‑vågspropageringslängder på ~20 µm.

Sedan finns jonimplantation, som användes nyligen för att manipulera spin‑vågor i YIG. Fokusjonstråleskrivning har möjliggjort exakt modifiering av YIG‑filmer på submikrometerskala.

Så forskarna använde en kommersiellt tillgänglig 110 nm tjock film av det magnetiska materialet YIG och sedan ristade in individuella spin‑vågguide i den med en stråle av kisel joner. 

Den masklösa implantationsprocessen möjliggjorde skapandet av flera skräddarsydda spin‑vågsstrukturer på ett substrat. Men viktigare är att den kan skalas upp för att tillverka wafer‑stora magnonkraftintegrerade kretsar. 

En guld‑mikrostrip‑antenn tillverkades också med elektron‑stråle‑litografi för att excitera spin‑vågor med en kontinuerlig mikrovågsignal. Ett externt statiskt in‑plan magnetfält H0 på μ0H0 = 50 mT applicerades för att lansera ytläge‑spin‑vågor.

På så sätt kunde de producera ett stort nätverk med 198 noder, vilket öppnar dörrarna till storskaliga magnonkraftintegrerade kretsar. Det möjliggör också komplexa strukturer av hög kvalitet att skapas reproducerbart och flexibelt.

Dessutom uppnådde teamet en spin‑vågspropageringslängd på över 100 µm, och deras ets‑fria metod gjorde det möjligt att ha ett integrerat spin‑vågsnätverk bestående av 34 parallella inmatningsportar och 34 utgångar. Studien konstaterade:

“Dessa resultat banar vägen för att realisera avancerade magnonkraftnätverk med oöverträffad kontroll och spännande möjligheter för att skapa låg‑förlust, storskaliga spin‑vågsberäkningssystem.” 

Investera i effektiv AI

I den artificiella intelligensens värld, NVIDIA Corporation (NVDA )
är den tydliga ledaren med sina AI‑acceleratorer och chip. Världens största företag med ett marknadsvärde på över 4 biljoner dollar, NVIDIA, har också investerat i energieffektiva arkitekturer.

NVIDIA Corporation (NVDA )

Nvidias GPU:er erbjuder prestanda‑per‑watt‑förbättringar. Dess Blackwell‑arkitektur, i synnerhet, lovar generativ AI på triljon‑parameter LLM:er med upp till 25 × lägre kostnad och energiförbrukning än dess tidigare Hopper‑arkitektur.

Blackwell, grundad av Jensen Huang, VD:n, sade förra året, är designad för att vara “mycket presterande och mycket energieffektiv.”

Nvidia erbjuder också vätskekylningssystem, NVIDIA GB200 NVL72 och NVIDIA GB300 NVL72, för att hantera de krävande uppgifterna för LLM‑inferens med deras arkitektur specifikt optimerad för test‑tids‑skalningsnoggrannhet och prestanda.

Tech‑jätten är också involverad i edge‑AI‑forskning och utveckling med sin NVIDIA EGX™‑plattform, som kombinerar kraftfull beräkning, fjärrhantering samt system och mjukvara för att föra AI till kanten. NVIDIA IGX Orin™ är designad för industriella och medicinska miljöer, medan NVIDIA Jetson™‑plattformen är deras robotiklösning.

Ett annat forskningsområde på Nvidia är fotonik. Tidigare i år annonserade företaget sina nya sampaketerade silikonsfotonic‑nätverksswitchar för att ansluta miljontals GPU:er över platser samtidigt som energiförbrukning och driftskostnader minskas. 

“Genom att integrera silikonsfotonic direkt i switchar, krossar NVIDIA de gamla begränsningarna för hyperskala‑ och företagsnätverk och öppnar porten till miljon‑GPU‑AI‑fabriker.”

– Huang

Den nya tekniken använder laserljusstrålar för att skicka information på fiberoptiska kablar mellan chip. Den kommer att lanseras senare i år och in i 2026.

Företaget har också tittat på att använda den mer allmänt i sina flaggskepps‑GPU‑chip, men har för närvarande inga planer på det ännu, eftersom traditionella kopparanslutningar fortfarande är “ordningar av storlek” mer pålitliga än sampaketerade optiska anslutningar.

När det gäller Nvidias marknadsresultat har det varit inget mindre än extraordinärt. I okt. 2022 föll NVDA‑aktier under $11 och handlas nu över $165. Med detta har den ett EPS (TTM) på 3,10 och ett P/E (TTM) på 53,12. Företaget erbjuder även en utdelningsavkastning, men endast 0,02 %.

När det gäller finanserna, för det första kvartalet av räkenskapsåret 2026 rapporterade Nvidia en omsättning på $44,1 miljarder, en ökning med 12 % från Q4, medan datacenter‑omsättningen kom in på $39,1 miljarder, en ökning med 10 % från föregående kvartal.

Efterfrågan på företagets AI‑infrastruktur, noterade Huang, är “otroligt stark”.

Senaste NVIDIA Corporation (NVDA) aktienyheter och utvecklingar

Slutsats

Allt eftersom världen fortsätter att anta AI, som lovar ökad effektivitet, förbättrad produktivitet, bättre beslutsfattande och personliga upplevelser, förväntas marknaden för denna kraftfulla teknik  vara värd flera miljarder dollar år 2025.

Men i takt med att efterfrågan på energikrävande AI växer, så gör även dess energibehov, vilket innebär belastning på energigrid‑erna och ökande växthusgasutsläpp.

För att uppnå verkligt effektiv AI krävs samordnade insatser i både mjukvarans och hårdvarans utveckling. Mot denna bakgrund kan innovationer som smartare modellträning, mindre modeller, koncisa prompts, modellkomprimering, neuromorfisk beräkning, edge‑AI och fotonik kunna hjälpa till att skapa en framtid där skala inte måste komma med ohållbara energikrav.

Här kan det senaste genombrottet inom spin‑vågsberäkning definiera framtiden för låg‑effekt, högpresterande beräkning, potentiellt bli grundläggande för nästa generations AI‑arkitekturer.

Klicka här för att lära dig allt om att investera i artificiell intelligens.

Referenser:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabredband och bandselektiva termiska meta‑emitterer med maskininlärning. 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. Linjärt programmerbara tvådimensionella halid‑perovskit‑memristor‑arrayer för neuromorfisk beräkning. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Tredimensionell fotonisk integration för ultralåg‑energi, hög‑bandbredd interchip‑datalänkar. 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. Experimentell demonstration av magnetisk tunnel‑junction‑baserad beräknings‑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. Storskalig integrerad fotonisk enhetsplattform för energieffektiva AI/ML‑acceleratorer. IEEE J. Sel. Top. Quantum Electron. 2025, 31(3), Artikel 8200326. https://doi.org/10.1109/JSTQE.2025.3527904
6. Fu, T.; Zhang, J.; Sun, R.; et al. Optiska neurala nätverk: Framsteg och utmaningar. 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. Dispersions‑justerbara låg‑förlust‑implanterade spin‑vågs‑vågledare för stora magnonkraftnätverk. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y