Spin-Wave Networks: Ang Susunod na Luksong Hakbang sa Epektibong Pagkokompyut ng AI

Ang artificial intelligence (AI) ay nagbabago ng paraan ng ating pamumuhay. Sa potensyal nitong baguhin ang mga industriya, ang teknolohiya ay inaasahan na lumikha ng trilyon sa halaga.

Mula sa pangangalaga sa kalusugan hanggang edukasyon, transportasyon, libangan, at pananalapi, malaki ang naitulong ng AI sa pagpapabuti ng kahusayan at katumpakan sa iba’t ibang sektor. Nakakatulong din ang AI sa pagpapabuti ng enerhiya. Halimbawa, nagtulungan ang mga siyentipiko mula sa buong mundo upang lumikha¹ ng bagong klase ng materyal gamit ang AI na tumutulong bawasan ang gastos sa enerhiya.

Ngunit paano naman ang napakalaking pangangailangan sa enerhiya ng AI mismo? Ang AI na kumukonsumo ng maraming enerhiya ay nagdudulot ng malaking hamon. Sa mabilis na pagtaas ng mga aplikasyon ng AI, ang pangangailangan sa enerhiya ay tumataas nang malaki, na nagdudulot ng presyon sa ating imprastruktura ng enerhiya.

Araw-araw, ang mga modelo ng machine learning (ML) ay nagiging mas kumplikado. At habang lumalaki at nagiging mas sopistikado ang mga ito, mas mataas ang pangangailangan sa mga mapagkukunan para sanayin at patakbuhin ang mga modelong ito. 

Ang pagsasanay ng mga modelo ng ML ay nangangailangan hindi lamang ng mga mapagkukunan sa pagkompyut kundi pati ng enerhiya at tubig para sa mga data center na naglalaman ng IT infrastructure na kailangan para sanayin, i-deploy, at ihatid ang mga aplikasyon at serbisyo ng AI.

Vijay Gadepally, isang senior scientist sa MIT Lincoln Laboratory Supercomputing Center (LLSC), ay nagsabi ng sumusunod ilang taon na ang nakalipas noong ang sitwasyon ay nasa pag-unlad pa lamang:

“Habang lumilipat tayo mula sa teksto patungo sa video at imahe, ang mga modelong AI ay patuloy na lumalaki, gayundin ang kanilang epekto sa enerhiya. Ito ay magiging isang malaking paggamit ng enerhiya at patuloy na magiging kontribyutor sa mga emisyon sa buong mundo.”

Ayon sa mga proyekto ng International Energy Agency (IEA), ang pangkalahatang pangangailangan sa kuryente mula sa mga data center ay dodoble mula sa tinatayang 460 terawatt-oras (TWh) noong 2022 hanggang 1,000 TWh sa 2026, na halos katumbas ng konsumo ng kuryente ng Japan.

Sa kasalukuyan, ang konsumo ng kuryente mula sa mga data center ay umabot na sa halos 1.5% ng pandaigdigang konsumo ng kuryente.

Isang bagong pananaliksik na inilabas ng UNESCO at University College London (UCL) ay nagbabala na ang pangangailangan sa enerhiya ng AI, lalo na ng malalaking language model (LLM), ay umabot na sa hindi napapanatiling antas, at upang baguhin ito, “kailangan natin ng isang paradigm shift sa kung paano natin ito ginagamit.”

Ayon sa kanilang ulat, ang mga Gen AI tool ay ginagamit ng higit sa 1 bilyong tao araw-araw, kung saan bawat interaksyon ay kumukonsumo ng humigit-kumulang 0.34 watt-oras ng enerhiya bawat prompt. Ito ay nagsabi:

“Ito ay katumbas ng 310 gigawatt-oras bawat taon, na katumbas ng taunang paggamit ng kuryente ng mahigit 3 milyong tao sa isang mababang-kita na bansang Aprikano.”

Sa kanilang ulat, iminungkahi ng pangkat ng mga computer scientist ang tatlong pangunahing inobasyon upang makamit ang malaking pagtitipid sa enerhiya. Kabilang dito ang paggamit ng mas maliliit na modelo, na kasing talino at tumpak ng malalaki ngunit maaaring magbawas ng paggamit ng enerhiya ng hanggang 90%. Mayroon ding mas maikli at mas siksik na mga prompt at tugon na maaaring magbawas ng paggamit ng enerhiya ng higit sa 50% habang ang model compression ay maaaring magtipid ng hanggang 44% ng enerhiya.

Pagpapahusay ng AI sa pamamagitan ng Mas Matalinong Software, Mas Luntiang Hardware

Nagniningning na AI chip na nakabaon sa berdeng dahon na sumisimbolo sa enerhiyang epektibong AI

Hindi lamang dumarami ang bilang ng mga indibidwal na patuloy na gumagamit ng AI, ngunit dumarami rin ang mga organisasyon na nag-iintegrate ng teknolohiyang ito sa kanilang negosyo.

Isang pag-aaral ng IBM Institute for Business Value (IBV) ang nagpakita na ang karamihan (77%) ay nakaramdam ng pangangailangan na mabilis na gamitin ang generative AI upang makasabay sa kanilang mga customer. 

Sa paglipas ng mga taon, ilang iba pang mga inobasyon sa teknolohiya, tulad ng computing, ay nagdala ng katulad na mga alalahanin, na pagkatapos ay tinugunan sa pamamagitan ng mga inobasyon sa kahusayan. Ang parehong maaaring gawin ngayon sa AI. Mula sa mga mananaliksik hanggang sa mga kumpanya, lahat ay kasalukuyang nagtatrabaho upang maunawaan ang epekto nito at maghanap ng solusyon upang mapagaan ang mga negatibong epekto.

Kabilang sa mga solusyong ito ang paggamit ng malinis at renewable na enerhiya, pati na rin ang mas maliliit na modelo at mas matalinong pagsasanay ng modelo. 

Upang harapin ang mga hamon sa kahusayan ng enerhiya ng AI, nakatuon ang mga mananaliksik sa dalawang larangan:

• Mga inobasyon sa software
• Mga pagpapabuti sa hardware

Sa larangan ng hardware, ang power-capping ay isang solusyon na maaaring potensyal na magbawas ng konsumo ng enerhiya ng hanggang 15%. Mayroon ding carbon-efficient na hardware, na “tinutugma ang isang modelo sa pinaka-carbon-efficient na kombinasyon ng hardware,” ayon sa MIT. 

Sa MIT Sustainability Conference noong Oktubre, iminungkahi ni Gadepally, na namumuno sa mga pagsisikap sa pananaliksik na may kamalayan sa enerhiya sa LLSC, na muling pag-isipan ang pagsasanay ng AI model at mamuhunan sa mas epektibong hardware. Ang MIT Lincoln Laboratory ay ginagamit ang mga rekomendasyon ni Gadepally upang bawasan ang sarili nitong bakas ng data center.

Ang paggamit ng mas computationally efficient na hardware at mga specialized hardware accelerator ay maaari ring mag-ambag sa pagtitipid ng enerhiya. Ang parallelization, na nagpapababa ng oras ng pagsasanay ng algoritmo sa pamamagitan ng pamamahagi ng komputasyon sa ilang processing cores, at ang edge computing, na nagsasagawa ng komputasyon sa mga lokasyon kung saan kinokolekta o ginagamit ang data, ay iba pang promising na solusyon sa hardware.

Ang mga siyentipiko ay lumilingon din sa utak ng tao, na may 100 bilyong neuron at 100 trilyong synaptic connections, upang mapabuti ang mga makina. 

Ito ay nagdala sa neuromorphic computing, na, sa halip na umasa sa tradisyonal na von Neumann architectures, ay gumagamit ng mga artipisyal na neuron at synapse upang iproseso ang impormasyon sa paraang kahalintulad ng utak upang makamit ang mas mataas na kahusayan sa enerhiya at kapangyarihan sa kompyutasyon.

Halimbawa, ang mga mananaliksik mula sa Seoul National University College of Engineering ay nag-develop² ng mga neuromorphic device batay sa hybrid na organikong-inorganikong mga materyales.

Sa pagtalakay sa pangunahing bahagi ng kanilang pananaliksik, binigyang-diin ni Propesor Ho Won Jang na ito “nakasalalay sa pagpapakita na ang pantay na paggalaw ng ion sa ibabaw ng materyal ay mas mahalaga para sa pagbuo ng high-performance na neuromorphic hardware kaysa sa paglikha ng localized na filament sa mga semiconductor na materyales.”

Ang liwanag ay isa pang paraan kung paano pinapabuti ang hardware ng AI. Sa halip na mga electrical signal, gumagamit ang photonic computing ng liwanag at nagbibigay-daan sa parallel na operasyon na may kaunting pagkawala ng init. 

Ilang buwan lamang ang nakalipas, ang mga mananaliksik mula sa Columbia Engineering ay naglabas³ ng isang 3D photonic-electronic platform na nakakamit ng mahusay na kahusayan sa enerhiya at densidad ng bandwidth. Para dito, pinagsama nila ang photonics sa advanced na CMOS electronic circuits. Ang 3D-integrated photonic-electronic chip ay nagdadala ng mataas na bandwidth (800 Gb/s) habang kumukonsumo lamang ng 120 femtojoules bawat bit. Ang 5.3 Tb/s/mm2 na densidad ng bandwidth ay lumalampas din sa kasalukuyang benchmark.

Noong nakaraang tag-init, ang mga mananaliksik mula sa University of Minnesota College of Science and Engineering ay nagpakita ng isang bagong teknolohiya na tinatawag na computational random-access memory (CRAM) na maaaring magbawas ng paggamit ng enerhiya ng AI ng hanggang 1,000 beses.

Sa pag-usbong ng silicon photonics bilang isang disruptive na teknolohiya para sa susunod na henerasyon ng mga accelerator para sa ML, ang mga mananaliksik mula sa Hewlett-Packard Labs ay nagpakilala⁵ ng isang enerhiya-epektibo at scalable na silicon photonic platform upang magsilbing pundasyon para sa AI accelerator hardware.

Ang mga photonic AI accelerator, hindi tulad ng tradisyonal, na umaasa sa electronic distributed neural networks (DNNs), ay gumagamit ng optical neural networks⁶ (ONNs) na nag-aalok ng mataas na parallelism, napakababang latency, at kaunting pagkawala ng init.

Bagaman madaling gawin, ang silicon photonics ay mahirap i-scale; kaya, ang platform. Ito ay ginawa gamit ang silicon photonics kasama ang III-V compound semiconductors (tulad ng InP o GaAs).

Ngayon, may isang bagong paraan na maaaring gawing mas epektibo ang AI, at ito ay sa pamamagitan ng pagpapahintulot sa malalaking spin waveguide network na magproseso ng advanced na impormasyon. Ang spin-wave ay isang pangakong solusyon sa pagproseso ng impormasyon.

Ang breakthrough na ito sa kahusayan ng AI hardware ay nakamit ng isang pangkat ng mga Germanong siyentipiko mula sa mga Unibersidad ng Münster at Heidelberg.

Pinamunuan ni Rudolf Bratschitsch, isang propesor na pisiko sa Münster, nilikha ng pangkat ang isang malawak na spin waveguide network na nagpoproseso ng impormasyon gamit ang napakababang enerhiya, na ginagawa itong isang pangakong alternatibo sa mga elektronikong kumokonsumo ng maraming enerhiya.

Scalable Magnonic Circuits Bilang Ang Bagong Harapan sa Enerhiyang Epektibong AI

Spin waves na dumadaloy sa isang nano-scale na circuit na naglalarawan ng magnonic networks

Habang ang mga magnonic network na batay sa magnetic insulators ay maaaring mag-rebolusyon sa pagproseso ng impormasyon dahil sa kanilang kahusayan sa enerhiya, ang mga building block ng mga network na ito, ibig sabihin, ang spin-wave waveguides, ay nagdaranas ng hindi epektibong dispersion tuning capabilities at limitadong spin-wave propagation lengths.

Ang mga limitasyong ito ay natugunan ng pangkat ng mga siyentipiko mula sa Münster at Heidelberg.

Inilathala sa scientific journal Nature Materials⁷, detalyado ng pag-aaral ang pag-develop ng bagong paraan upang lumikha ng waveguides kung saan ang spin waves ay maaaring mag-propagate nang napakalayo, kaya nagtatayo ng pinakamalaking spin waveguide network hanggang ngayon.

Ngunit hindi pa iyan ang lahat. Nakaya rin ng pangkat na kontrolin ang mga katangian ng spin wave na naipadala sa waveguide. Halimbawa, nagawang baguhin ng mga siyentipiko nang eksakto ang wavelength at reflection ng spin wave sa isang tiyak na interface. Binanggit ng pag-aaral:

“Ang dispersion ng mga waveguide ay maaaring patuloy na i-tune dahil sa eksaktong at localized na ion implantation, na nagtatangi sa kanila mula sa karaniwang mga etched waveguide.”

Ang electron spin o intrinsic angular momentum ay isang pangunahing quantum mechanical na katangian ng mga electron, kung saan ang pagkakahanay ng ilang spin ay nagtatakda ng magnetic properties. Ngayon, kung mag-aapply ng alternating current sa isang magnetic material na may antenna, isang nagbabagong magnetic field ang nabubuo, at ang mga spin sa materyal ay maaaring lumikha ng spin wave.

Ang spin waves ay mga excitations ng isang magnetic material, at nag-aalok ito ng kapana-panabik na posibilidad para sa advanced na pagproseso ng impormasyon. 

Ang tunay na nakakaakit sa kanila ay ang kanilang natatanging katangian, tulad ng likas na malakas na nonlinearity at high-speed operation sa frequency band mula gigahertz (GHz) hanggang terahertz (THz).

Sa mga kamakailang panahon, nagsimulang gamitin ng mga mananaliksik ang spin waves sa nanoscale na magnetic structures at network para sa signal processing at computing applications. Ang umuusbong na teknolohiyang ito ay makakatulong tugunan ang mga limitasyon ng tradisyonal na semiconductor microelectronics kaugnay ng computational density at high-dimensional processing capacity.

Higit sa lahat, ang mababang energy footprint ng spin-wave technology ang talagang kaakit-akit.

Ang gamit ng teknolohiyang ito ay nakasalalay sa kakayahan nitong i-encode ang impormasyon sa loob ng phase, frequency, at amplitude ng spin waves. Ang estratehiyang ito, katulad ng electromagnetic waves, ay nagbibigay-daan sa flexible na saklaw ng data processing sa pamamagitan ng paggamit ng pag-asa ng propagation attributes sa mga parameter na ito.

Sa kasalukuyan, ginagamit ang spin waves upang lumikha ng iba’t ibang indibidwal na komponent. Ang logic gates na nagsasagawa ng logical operations sa binary inputs upang magbigay ng isang binary output ay isang halimbawa. Ang multiplexers ay isa pang uri ng device na pumipili ng isa sa ilang input signals.

Kabilang sa iba pang halimbawa ang crossings, couplers, memories, majority gates, (de-)multiplexers, interferometers, splitters, at spectrum analysers.

Lahat ng mga device na ito ay maaaring gumana nang independent bilang mga yunit ng pagproseso ng impormasyon o maisama sa mas malaki, kumplikadong mga network na may advanced na mga functionality.

Sa isang malaking network, ang mga link sa pagitan ng mga elemento ay customized waveguides para sa spin waves. Ang mga waveguide na ito ay mahalaga upang i-constrain at i-guide ang spin waves mula sa isang elemento patungo sa iba pa at, bilang gayon, nangangailangan ng minimal na propagation losses. Ang mga waveguide na ito at ang kanilang kombinasyon ay nagsisilbing functional spin-wave devices.

Gayunpaman, ang mga komponent ay hindi pa nakakonekta upang bumuo ng mas malaking circuit hanggang ngayon.

“Ang katotohanang ang mas malalaking network tulad ng ginagamit sa electronics ay hindi pa naisasakatuparan, ay bahagi dahil sa malakas na attenuation ng spin waves sa mga waveguide na nag-uugnay sa mga indibidwal na switching element – lalo na kung mas makitid ito kaysa isang micrometre at kaya nasa nanoscale.” – Pisikong Propesor Bratschitsch

Kaya, ang ginawa ng pangkat upang malampasan ang problemang iyon ay ginamit nila ang materyal na kasalukuyang may pinakamababang attenuation, at ito ay yttrium iron garnet (YIG). Ito ay may pinakamababang damping at pinakamataas na propagation length ng spin waves, na umaabot hanggang milimetro.

Para sa paglikha ng waveguides para sa spin waves, karaniwang ginagamit ang lithographic approaches. Upang lumikha ng nanoscale waveguides sa YIG, ang advanced fabrication approach ay nakabatay sa reactive ion etching ng manipis na YIG films. Ngunit kahit na may mataas na kalidad na YIG films at state-of-the-art na mga proseso ng etching, ang maximum propagation length na naiulat ay 54 µm.

Ang pag-develop ng hybrid structures ay isa pang umuusbong na approach kung saan pinagsasama ang YIG films sa nanostripes ng ferromagnetic metal upang tukuyin ang nanoscopic spin-wave transporting channels sa pamamagitan ng dipolar coupling, na lumilikha ng spin-wave propagation lengths na ~20 µm.

Mayroon ding ion implantation, na kamakailan lamang ginamit upang manipulahin ang spin waves sa YIG. Ang focused ion beam writing ay nagbigay-daan sa eksaktong pagbabago ng YIG films sa submicrometre scale.

Kaya, gumamit ang mga siyentipiko ng commercially available na 110 nm na makapal na film ng magnetic material na YIG at pagkatapos ay nag-ukit ng mga indibidwal na spin-wave waveguides dito gamit ang beam ng silicon ions.

Ang maskless implantation process ay nagbigay-daan sa paglikha ng maraming tailored na spin-wave structures sa isang substrate. Ngunit higit sa lahat, maaari itong i-scale up upang gumawa ng wafer-size na magnonic integrated circuits.

Isang gold microstrip antenna din ang ginawa gamit ang electron-beam lithography film upang pasiglahin ang spin waves gamit ang continuous-wave microwave signal. Isang external static in-plane magnetic field H0 na μ0H0 = 50 mT ang inapply upang ilunsad ang surface-mode spin waves.

Sa ganitong paraan, nagawa nilang lumikha ng malaking network na may 198 nodes, na nagbubukas ng pinto sa large-scale magnonic integrated circuits. Pinapayagan din nito ang paglikha ng kumplikadong mga istruktura na mataas ang kalidad na maaaring ulitin at flexible.

Higit pa rito, nakamit ng pangkat ang spin-wave propagation length na higit sa 100 µm, at ang kanilang etchless approach ay nagbigay-daan sa kanila na magkaroon ng integrated spin-wave network na binubuo ng 34 parallel input ports at 34 outputs. Ayon sa pag-aaral:

“Ang mga resulta na ito ay nagbubukas ng daan para sa pag-realize ng advanced magnonic networks na may walang kapantay na kontrol at kapana-panabik na mga landas para sa pagbuo ng low-loss large-scale spin-wave computing systems.”

Pamumuhunan sa Mahusay na AI

Sa mundo ng artificial intelligence, ang NVIDIA Corporation (NVDA ) ay ang malinaw na lider sa pamamagitan ng mga AI accelerator at chip nito. Ang pinakamalaking kumpanya sa mundo batay sa market cap na higit sa $4 trilyon, ang NVIDIA, ay nag-iinvest din sa mga energy-efficient na arkitektura.

NVIDIA Corporation (NVDA )

Nag-aalok ang mga GPU ng Nvidia ng mga pagbuti sa performance-per-watt. Ang Blackwell architecture nito, partikular, ay nangangako ng generative AI sa trillion-parameter LLMs na may hanggang 25x na mas mababang gastos at konsumo ng enerhiya kumpara sa naunang Hopper architecture.

Sinabi ni Jensen Huang, ang CEO, na ang Blackwell, na itinatag niya, ay dinisenyo upang maging “napaka-performant at napaka-energy efficient.”

Nag-aalok din ang Nvidia ng mga liquid-cooling system, ang NVIDIA GB200 NVL72 at ang NVIDIA GB300 NVL72, upang harapin ang mga demanding na gawain ng LLM inference gamit ang kanilang arkitektura na partikular na optimized para sa test-time scaling accuracy at performance.

Ang higanteng teknolohiyang ito ay kasali rin sa edge AI research at development gamit ang NVIDIA EGX™ platform, na pinagsasama ang malakas na computing, remote management, at mga sistema at software upang dalhin ang AI sa edge. Ang NVIDIA IGX Orin™ ay dinisenyo para sa mga industriyal at medikal na kapaligiran, habang ang NVIDIA Jetson™ platform ay ang solusyon nito para sa robotics.

Isa pang larangan ng pananaliksik sa Nvidia ay ang photonics. Noong unang bahagi ng taon, inanunsyo ng kumpanya ang kanilang bagong co-packaged silicon photonic networking switches upang ikonekta ang milyun-milyong GPU sa iba’t ibang site habang binabawasan ang konsumo ng enerhiya at operational costs.

“Sa pamamagitan ng pag-integrate ng silicon photonics direkta sa mga switch, binabali ng NVIDIA ang mga lumang limitasyon ng hyperscale at enterprise networks at binubuksan ang pintuan patungo sa million-GPU AI factories.”

– Huang

Ang bagong teknolohiya ay gumagamit ng mga beam ng laser light upang magpadala ng impormasyon sa fiber optic cables sa pagitan ng mga chip. Ilalabas ito sa huling bahagi ng taong ito at patungo sa 2026.

Sinusuri rin ng kumpanya ang mas malawak na paggamit nito sa kanilang flagship GPU chips, ngunit sa kasalukuyan ay wala pang plano para dito, dahil ang tradisyonal na copper connections ay “orders of magnitude” na mas mapagkakatiwalaan kaysa sa co-packaged optical connections.

Pagdating sa performance ng merkado ng Nvidia, ito ay hindi maikakaila na kahanga-hanga. Noong Oktubre 2022, ang mga shares ng NVDA ay bumaba sa ilalim ng $11 at kasalukuyang nagte-trade sa higit $165. Kasama nito, may EPS (TTM) na 3.10 at P/E (TTM) na 53.12. Nag-aalok din ang kumpanya ng dividend yield, bagaman ito ay 0.02% lamang.

Sa usapin ng pananalapi, para sa unang quarter ng fiscal 2026, iniulat ng Nvidia ang revenue na $44.1 bilyon, tumaas ng 12% mula sa Q4, habang ang data center revenue ay umabot sa $39.1 bilyon, isang 10% na pagtaas mula sa nakaraang quarter.

Ayon kay Huang, ang demand para sa AI infrastructure ng kumpanya ay “napakamatindi.”

Pinakabagong Balita at Pag-unlad sa Stock ng NVIDIA Corporation (NVDA)

Konklusyon

Habang patuloy na tinatanggap ng mundo ang AI, na nangangako ng mas mataas na kahusayan, pinahusay na produktibidad, pinabuting paggawa ng desisyon, at personalized na karanasan, ang merkado para sa makapangyarihang teknolohiyang ito ay inaasahang aabot sa multi-bilyong dolyar sa 2025.

Ngunit habang lumalaki ang demand para sa AI na kumukonsumo ng maraming enerhiya, tumataas din ang pangangailangan nito sa enerhiya, na nagdudulot ng strain sa mga energy grid at pagtaas ng greenhouse gas emissions.

Upang makamit ang tunay na epektibong AI, kinakailangan ang koordinadong pagsisikap sa pag-unlad ng parehong software at hardware. Sa kontekstong ito, ang mga inobasyon tulad ng mas matalinong pagsasanay ng modelo, mas maliliit na modelo, maikling prompt, model compression, neuromorphic computing, edge AI, at photonics ay maaaring makatulong lumikha ng hinaharap kung saan ang sukat ay hindi kailangang magdala ng hindi napapanatiling pangangailangan sa enerhiya.

Dito, ang pinakabagong breakthrough sa spin-wave computing ay maaaring tukuyin ang hinaharap ng low-power, high-performance computing, na posibleng maging pundasyon para sa susunod na henerasyon ng AI architectures.

I-click dito upang matutunan ang lahat tungkol sa pamumuhunan sa artificial intelligence.

Mga Sanggunian:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Ultrabroadband at Band-Selective Thermal Meta-Emitters gamit ang 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 para sa 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 para sa 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 ng 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 para sa 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: Pag-unlad at Hamon. 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 para sa Malalaking Magnonic Networks. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y