Spin-Dalga Ağları: Verimli AI Hesaplamada Bir Sonraki Sıçrama

Yapay zeka (AI), yaşam biçimimizi dönüştürüyor. Endüstrileri devrim niteliğinde değiştirme potansiyeliyle, teknoloji trilyonlarca değer yaratması bekleniyor.

Sağlık hizmetlerinden eğitime, ulaşım, eğlence ve finans sektörlerine kadar, AI sektörler genelinde verimlilik ve doğruluğu büyük ölçüde artırdı. AI aynı zamanda enerji verimliliğini artırmaya da yardımcı oluyor. Örneğin, dünya çapındaki bilim insanları yeni bir malzeme sınıfı¹ oluşturmak için AI kullandılar ve bu malzeme enerji maliyetlerini azaltıyor.

Peki AI’nın kendisinin devasa enerji talepleri ne durumda? Enerji tüketimi yüksek AI büyük bir zorluk oluşturuyor. AI uygulamalarının hızlı artışıyla birlikte enerji talebi de dramatik şekilde artıyor ve bu da enerji altyapımıza baskı oluşturuyor.

Her gün, makine öğrenimi (ML) modelleri giderek daha karmaşık hâle geliyor. Model ne kadar büyük ve karmaşık olursa, bu modelleri eğitmek ve çalıştırmak için o kadar fazla kaynak gerekiyor. 

ML modellerini eğitmek sadece hesaplama kaynakları değil, aynı zamanda AI uygulamaları ve hizmetlerini eğitmek, dağıtmak ve sunmak için gereken veri merkezlerinin enerji ve su kaynaklarını da gerektirir.

Vijay Gadepally, MIT Lincoln Laboratory Supercomputing Center (LLSC)’de kıdemli bilim insanı, birkaç yıl önce durum hâlâ gelişmekteyken şunları söylemişti:

“Metinden videoya, görüntüye geçtikçe bu AI modelleri giderek daha büyük hâle geliyor ve enerji etkileri de aynı oranda artıyor. Bu, dünya çapında enerji kullanımının ve emisyonların önemli bir artışına yol açacak.”

Uluslararası Enerji Ajansı (IEA)’nın projeksiyonuna göre, veri merkezlerinden küresel elektrik talebi çift katına çıkacak; 2022’de tahmini 460 teravat-saat (TWh) iken 2026’da 1.000 TWh’a ulaşacak ve bu, Japonya’nın yıllık elektrik tüketimine eşdeğer.

Şu anda veri merkezlerinden gelen elektrik tüketimi küresel elektrik tüketiminin yaklaşık %1,5’i kadarını oluşturuyor.

UNESCO ve University College London (UCL) tarafından yayınlanan yeni bir araştırma da uyarıyor ki AI’nın, özellikle büyük dil modellerinin (LLM’ler) enerji talepleri sürdürülemez seviyelere ulaşmış ve bunu değiştirmek için “kullanım şeklimizde bir paradigma değişikliği” gerekiyor.

Raporlarına göre, Üretken AI araçları günde bir milyardan fazla kişi tarafından kullanılmakta ve her etkileşim bir istem başına yaklaşık 0,34 watt-saat enerji tüketiyor. Rapor şunu belirtiyor:

“Bu, yılda 310 gigavat-saat enerjiye eşdeğer, yani düşük gelirli bir Afrika ülkesindeki 3 milyondan fazla kişinin yıllık elektrik tüketimine denk.” 

Raporun bilgisayar bilimcileri ekibi, önemli enerji tasarrufları sağlayacak üç ana yenilik önerdi. Bu yenilikler, büyük modellerle aynı zekâ ve doğruluğa sahip daha küçük modellerin enerji kullanımını %90’a kadar azaltabilmesi, daha kısa ve öz istem‑yanıtların enerji kullanımını %50’nin üzerinde düşürebilmesi ve model sıkıştırmanın da enerji tasarrufunu %44’e kadar artırabilmesi.

AI’yı Daha Verimli Hale Getiren Akıllı Yazılım, Daha Yeşil Donanım

Enerji verimli AI’yi simgeleyen yeşil bir yaprağa yerleştirilmiş parlayan AI çipi

Sadece bireylerin sayısı artmakla kalmıyor, daha fazla kuruluş da bu teknolojiyi işlerine entegre ediyor.

IBM Institute for Business Value (IBV) tarafından yapılan bir araştırma, çoğunluğun (%77) müşterileriyle rekabet edebilmek için üretken AI’ı hızlı bir şekilde kullanma ihtiyacı hissettiğini ortaya koydu. 

Yıllar içinde, diğer teknolojik yenilikler, örneğin bilgi işlem, benzer endişeleri gündeme getirdi ve bu endişeler verimlilik yenilikleriyle çözüldü. Aynı yaklaşım şimdi AI için de uygulanabilir. Araştırmacılardan şirketlere kadar herkes, AI’nın etkisini anlamak ve olumsuz etkilerini azaltacak çözümler bulmak için çalışıyor.

Bu çözümler arasında temiz ve yenilenebilir enerji kullanımı, daha küçük modeller ve daha akıllı model eğitimi yer alıyor. 

AI’nın enerji verimliliği sorunlarını ele almak için araştırmacılar iki alan üzerine odaklanıyor:

• Yazılım yenilikleri
• Donanım iyileştirmeleri

Donanım alanında, güç sınırlaması (power‑capping) enerji tüketimini %15’e kadar azaltabilecek bir çözüm olarak görülüyor. Ayrıca “karbon‑verimli donanım” kavramı, bir modeli en karbon‑verimli donanım karışımıyla eşleştiriyor, bu da MIT tarafından tanımlanmıştır. 

Ekim ayında MIT Sürdürülebilirlik Konferansı’nda, LLSC’de enerji‑bilinçli araştırma çabalarına liderlik eden Gadepally, AI model eğitiminin yeniden düşünülmesi ve daha verimli donanıma yatırım yapılması gerektiğini önerdi. MIT Lincoln Laboratory, Gadepally’nin önerilerini kendi veri merkezi ayak izini azaltmak için uygulamaya koydu.

Daha hesaplama açısından verimli donanım ve özelleşmiş donanım hızlandırıcıları da enerji tasarrıflarına katkı sağlayabilir. Paralelleştirme, algoritmanın eğitim süresini birden fazla işlem çekirdeği arasında dağıtarak kısaltır; kenar (edge) bilişim ise verinin toplandığı ya da kullanıldığı noktada hesaplamayı gerçekleştirir; bu da gelecek vaat eden donanım çözümlerindendir.

Bilim insanları aynı zamanda insan beynine de bakıyor; beyin 100 milyar nöron ve 100 trilyon sinaptik bağlantı içeriyor ve bu yapı makineleri daha iyi hâle getirebilir. 

Bu, nöromorfik bilişime yol açtı; nöromorfik bilişim, geleneksel von Neumann mimarileri yerine yapay nöron ve sinapsları kullanarak beyne benzer bir bilgi işleme yöntemiyle daha yüksek enerji verimliliği ve hesaplama gücü sağlıyor.

Örneğin, Seul Ulusal Üniversitesi Mühendislik Fakültesi araştırmacıları hibrit organik‑inorganik malzemeler² üzerine kurulu nöromorfik cihazlar geliştirdi.

Araştırmalarının kilit kısmı hakkında konuşurken Profesör Ho Won Jang, “malzemenin yüzeyinde uniform iyon hareketinin, yarı iletken malzemelerde yerelleşmiş filamentler oluşturmaktan daha yüksek performanslı nöromorfik donanım geliştirmek için önemli olduğunu” belirtti.

Işık, AI donanımının iyileştirilmesinde bir başka yol. Fotonic (fotonsal) bilişim, elektrik sinyalleri yerine ışık kullanır ve minimum ısı kaybıyla paralel işlemler yapmayı mümkün kılar. 

Birkaç ay önce Columbia Engineering araştırmacıları 3‑boyutlu fotonik‑elektronik bir platform³ yayınladı; bu platform yüksek enerji verimliliği ve bant genişliği yoğunluğu sağlıyor. Fotoniği gelişmiş CMOS elektronik devreleriyle bütünleştirdiler. 3D‑entegrasyonlu fotonik‑elektronik çip, 800 Gb/s yüksek bant genişliği sunarken sadece 120 femtojoule/bit enerji harcıyor. 5,3 Tb/s/mm² bant genişliği yoğunluğu da mevcut benchmarkları aşıyor.

Geçen yaz, Minnesota Üniversitesi Bilim ve Mühendislik Fakültesi araştırmacıları yeni bir teknoloji4 yayınladı; bu teknoloji “hesaplamalı rastgele erişim belleği (CRAM)” olarak adlandırılıyor ve AI enerji tüketimini 1.000 kat azaltma potansiyeline sahip.

Silisyum fotoniği, ML için bir sonraki nesil hızlandırıcıların yıkıcı teknolojisi olarak ortaya çıkarken, Hewlett‑Packard Laboratuvarları araştırmacıları enerji verimli ve ölçeklenebilir bir silisyum fotonik platformu5 tanıttı; bu platform AI hızlandırıcı donanımının temelini oluşturacak.

Fotonik AI hızlandırıcıları, geleneksel hızlandırıcılardan farklı olarak, elektronik dağıtık sinir ağlarına (DNN) dayanmak yerine optik sinir ağlarını⁶ (ONN) kullanır; bu ağlar yüksek paralellik, son derece düşük gecikme ve minimum ısı kaybı sunar.

Üretimi kolay olsa da, silisyum fotoniği ölçeklendirmede zorluklar yaşar; bu yüzden platform hâlâ geliştirme aşamasındadır. Silisyum fotoniği, III‑V bileşik yarı iletkenlerle (InP veya GaAs gibi) birlikte üretilir.

Şimdi, AI’yı daha verimli hâle getirecek yeni bir yöntem var; bu yöntem büyük spin dalga kılavuz ağlarının gelişmiş bilgi işleme yeteneğini etkinleştiriyor. Spin‑dalga, bilgi işleme için umut vaat eden bir çözümdür.

Bu AI donanım verimliliği atılımı, Almanya’nın Münster ve Heidelberg üniversitelerinden bir ekip tarafından gerçekleştirildi.

Münster’de fizik profesörü Rudolf Bratschitsch liderliğindeki ekip, enerji tüketimini önemli ölçüde azaltan geniş bir spin dalga kılavuz ağı oluşturdu; bu, enerji yoğun elektroniklere alternatif olma potansiyeli taşıyor.

Enerji Verimli AI’da Yeni Sınır: Ölçeklenebilir Manyonik Devreler

Nanoskobik bir devrede akan spin dalgaları, manyonik ağları gösteriyor

Manyonik ağlar, manyetik yalıtkanlar üzerine kurulu olduğunda enerji verimlilikleri sayesinde bilgi işlemde devrim yaratabilir; ancak bu ağların yapı taşları olan spin‑dalga dalga kılavuzları, verimsiz dispersiyon ayarı yetenekleri ve sınırlı spin‑dalga yayılım uzunluklarıyla sorun yaşıyor.

Bu sınırlamalar Münster ve Heidelberg’den gelen bilim insanları ekibi tarafından çözüldü. 

Bilimsel dergi Nature Materials⁷’da yayınlanan çalışma, spin‑dalgaların çok uzun mesafelerde yayılabildiği yeni bir dalga kılavuzu üretme yöntemini detaylandırıyor ve böylece şimdiye kadarki en büyük spin‑dalga kılavuz ağını inşa ediyor.

Bununla da yetinmediler. Ekip, dalga kılavuzunda iletilen spin‑dalganın özelliklerini de kontrol edebildi. Örneğin, bilim insanları belirli bir ara yüzde spin‑dalganın dalga boyunu ve yansımasını hassas bir şekilde değiştirebildi. Çalışma şöyle belirtiyor:

“Dalga kılavuzlarının dispersiyonu, hassas ve yerelleştirilmiş iyon implantasyonu sayesinde sürekli olarak ayarlanabilir; bu da onları yaygın olarak oyuk (etched) kılavuzlardan ayırır.” 

Elektron spini ya da içsel açısal momentum, elektronların temel kuantum mekaniği özelliğidir; birkaç spinin hizalanması manyetik özellikleri belirler. Şimdi, bir manyetik malzemeye bir antenle alternatif akım uygulanırsa değişen bir manyetik alan oluşur ve malzemedeki spinler bir spin‑dalga üretebilir.

Spin‑dalgalar, manyetik bir malzemenin uyarımlarıdır ve gelişmiş bilgi işleme için heyecan verici olanaklar sunar. 

Onları çekici kılan, doğal olarak güçlü bir doğrusal olmayan (nonlinearity) ve gigahertz (GHz)‑terahertz (THz) frekans bandında yüksek hızlı çalışmalarıdır.

Son zamanlarda araştırmacılar, nanoskobik manyetik yapılar ve ağlarda sinyal işleme ve hesaplama uygulamaları için spin‑dalgaları kullanmaya başladı. Bu yeni teknoloji, geleneksel yarı iletken mikroelektroniklerin hesaplama yoğunluğu ve yüksek‑boyutlu işleme kapasitesi konusundaki sınırlamalarını aşmaya yardımcı olabilir.

Daha da önemlisi, spin‑dalga teknolojisinin düşük enerji ayak izi özellikle cazip.

Teknolojinin faydası, bilgiyi spin‑dalgaların faz, frekans ve genliklerinde kodlayabilme yeteneğinde yatıyor. Bu strateji, elektromanyetik dalgalar gibi, bu parametrelere bağlı yayılım özelliklerinden yararlanarak esnek bir veri işleme yelpazesi sunar.

Spin‑dalgalar şu anda farklı bireysel bileşenler oluşturmak için kullanılıyor. Örneğin, ikili girişleri işleyip tek bir ikili çıkış üreten mantık kapıları bir örnek. Çoklayıcılar ise birden fazla giriş sinyalinden birini seçen bir cihazdır.

Diğer örnekler arasında geçişler, küpleyiciler, bellekler, çoğunluk kapıları, (de‑)çoklayıcılar, interferometreler, bölücüler ve spektrum analizörleri bulunur. 

Bu cihazların tümü bağımsız bilgi işleme birimleri olarak çalışabilir ya da daha büyük, karmaşık ağlara entegre edilerek gelişmiş işlevsellik sağlayabilir.

Büyük bir ağda, elemanlar arasındaki bağlantılar spin‑dalga için özelleştirilmiş dalga kılavuzlarıdır. Bu kılavuzlar, spin‑dalgaları bir elemandan diğerine yönlendirmek ve sınırlı yayılım kayıplarıyla taşımak için kritiktir; dolayısıyla fonksiyonel spin‑dalga cihazları olarak da hizmet verir.

Bileşenler henüz daha büyük bir devreye bağlanmamıştı.

“Daha büyük ağların, elektronik devrelerdeki gibi, henüz gerçekleştirilmemiş olmasının bir kısmı, bireysel anahtarlama elemanlarını bağlayan dalga kılavuzlarındaki spin‑dalgaların güçlü sönümlemesinden kaynaklanıyor; özellikle kılavuzlar bir mikrometreden daha dar olduğunda ve nanoskobik ölçeğe indiğinde.”

– Fizik Profesörü Rudolf Bratschitsch

Bu sorunu aşmak için ekip, şu anda en düşük sönümlemeye sahip malzeme olan yttrium demir garnit (YIG)’yi kullandı. YIG, en düşük sönümleme ve en uzun spin‑dalga yayılım uzunluğuna sahiptir; milimetre mertebesine kadar ulaşabilir. 

Spin‑dalga dalga kılavuzları üretmek için litografik yaklaşımlar genellikle kullanılır. YIG’de nanoskobik kılavuzlar oluşturmak için gelişmiş bir imalat yöntemi, ince YIG filmlerinin reaktif iyon aşındırması (reactive ion etching) temeline dayanır. Ancak yüksek kaliteli YIG filmleri ve son teknoloji aşındırma süreçlerine rağmen, rapor edilen maksimum yayılım uzunluğu 54 µm’dir.

Hibrit yapılar geliştirmek, YIG filmlerini ferromanyetik metal nanostripe’leriyle birleştirerek dipolar bağlam yoluyla nanoskobik spin‑dalga taşıma kanalları tanımlamayı içerir; bu da yaklaşık 20 µm yayılım uzunluğu sağlar.

İyon implantasyonu da bir diğer yaklaşım; yakın zamanda YIG’de spin‑dalgaları manipüle etmek için kullanıldı. Odaklanmış iyon ışını yazımı, YIG filmlerini sub‑mikrometre ölçeğinde hassas bir şekilde değiştirmeyi mümkün kıldı.

Bilim insanları, ticari olarak temin edilebilen 110 nm kalınlığındaki YIG manyetik malzeme filmine, silikon iyonlarıyla bir ışın kullanarak bireysel spin‑dalga dalga kılavuzları çizmeyi başardı. 

Maskesiz implantasyon süreci, tek bir substratta birden fazla özelleştirilmiş spin‑dalga yapısı oluşturulmasını sağladı; daha da önemlisi, bu yöntem wafer‑boyutunda manyonik entegre devrelerin üretimine ölçeklendirilebilir.

Altın bir mikroşerit anten, elektron‑ışın litografisi filmiyle de üretilerek sürekli‑dalga mikrodalga sinyaliyle spin‑dalgaları uyarıldı. Dış bir statik düzlem manyetik alan H0 (μ0H0 = 50 mT) yüzey‑modu spin‑dalgalarını başlatmak için uygulandı.

Bu şekilde, 198 düğümlü büyük bir ağ oluşturabildiler; bu, ölçeklenebilir manyonik entegre devrelerin kapılarını açıyor ve yüksek kaliteye sahip karmaşık yapıları tekrarlanabilir ve esnek bir şekilde üretmeyi mümkün kılıyor.

Ayrıca ekip, 100 µm’den uzun bir spin‑dalga yayılım uzunluğuna ulaştı ve aşındırmasız yaklaşımları sayesinde 34 paralel giriş ve 34 çıkıştan oluşan entegre bir spin‑dalga ağı elde etti. Çalışma şöyle belirtiyor:

“Bu sonuçlar, eşsiz kontrol ve düşük‑kayıplı büyük‑ölçekli spin‑dalga bilgisayar sistemlerinin gerçekleştirilmesi için heyecan verici yollar açıyor.” 

Verimli AI’ya Yatırım

Yapay zeka dünyasında, NVIDIA Corporation (NVDA )
açık bir lider konumunda; AI hızlandırıcıları ve çipleriyle tanınıyor. Piyasa değeri 4 trilyon $’ı aşan dünyanın en büyük şirketi olan NVIDIA, aynı zamanda enerji‑verimli mimarilere yatırım yapıyor.

NVIDIA Corporation (NVDA )

Nvidia’nın GPU’ları performans‑başına‑watt iyileştirmeleri sunar. Özellikle Blackwell mimarisi, trilyon‑parametreli LLM’lerde önceki Hopper mimarisine göre enerji ve maliyeti %25’e kadar azaltarak jeneratif AI’yı vaat ediyor.

Blackwell, CEO’su Jensen Huang tarafından geçen yıl “çok yüksek performanslı ve çok enerji verimli” olacak şekilde tasarlandığını söyledi.

Nvidia ayrıca, Blackwell mimarisine özel olarak test‑zamanı ölçeklendirme doğruluğu ve performansı optimize eden NVIDIA GB200 NVL72 ve NVIDIA GB300 NVL72 gibi sıvı‑soğutma sistemleri sunuyor.

Teknoloji devi, NVIDIA EGX™ platformu ile kenar (edge) AI araştırma ve geliştirme çalışmalarına da dahil; bu platform güçlü hesaplama, uzaktan yönetim ve sistem‑yazılım birleşimini sunarak AI’yı kenara getiriyor. NVIDIA IGX Orin™ endüstriyel ve tıbbi ortamlar için tasarlanırken, NVIDIA Jetson™ platformu robotik çözümlerini temsil ediyor.

Nvidia’nın bir diğer araştırma alanı fotonik. Bu yılın başlarında şirket, milyonlarca GPU’yu siteler arasında bağlayarak enerji tüketimini ve operasyonel maliyetleri azaltacak yeni ortak paketli silikon fotonik ağ anahtarlarını duyurdu. 

“Silikon fotoniği doğrudan anahtarlara entegre ederek NVIDIA, hiperskala ve kurumsal ağların eski sınırlamalarını yıkıyor ve milyon‑GPU AI fabrikalarının kapılarını açıyor.”

– Huang

Yeni teknoloji, çipler arasındaki fiber optik kablolarda bilgi göndermek için lazer ışını demetleri kullanıyor. 2025’in sonuna doğru ve 2026’da piyasaya çıkması planlanıyor.

Şirket, bu teknolojiyi amiral gemisi GPU çiplerinde daha geniş çapta kullanmayı da araştırıyor, ancak şu an için geleneksel bakır bağlantılar hâlâ “sipariş büyüklüğü” açısından ortak paketli optik bağlantılardan çok daha güvenilir.

Nvidia’nın piyasa performansına bakıldığında, olağanüstü bir yükseliş söz konusu. Ekim 2022’de NVDA hisseleri 11 $ altına gerilemişken şu anda 165 $ üzerindedir. EPS (TTM) 3,10 ve P/E (TTM) 53,12’dir. Şirket ayrıca %0,02’lik bir temettü getirisi sunuyor.

Finansal açıdan, 2026 mali yılı ilk çeyreğinde Nvidia, gelirini 44,1 milyar $ olarak açıkladı; bu, önceki çeyreğe göre %12 artış. Veri merkezi geliri ise 39,1 milyar $ olarak geldi ve bir önceki çeyreğe göre %10 artış gösterdi.

Şirketin AI altyapısına olan talebin “son derece güçlü” olduğunu Huang belirtiyor.

En Son NVIDIA Corporation (NVDA) Hisse Senedi Haberleri ve Gelişmeler

Sonuç

Dünya AI’yı benimsemeye devam ettikçe, verimliliği artıran, üretkenliği yükselten, karar verme süreçlerini iyileştiren ve kişiselleştirilmiş deneyimler sunan bu güçlü teknolojinin pazarı 2025’te çok‑milyar $ değerinde olması bekleniyor.

Ancak enerji‑açgözlü AI talebi arttıkça, enerji ihtiyacı da artıyor; bu da enerji şebekelerine baskı ve sera gazı emisyonlarının yükselmesine yol açıyor.

Gerçek anlamda verimli AI elde etmek için hem yazılım hem donanım evriminde koordineli çabalar gerekir. Bu bağlamda, daha akıllı model eğitimi, daha küçük modeller, özlü istemler, model sıkıştırma, nöromorfik bilişim, kenar AI ve fotonik gibi yenilikler, ölçeğin sürdürülemez enerji talepleriyle birlikte gelmemesini sağlayabilir.

Burada, spin‑dalga bilişimindeki son atılım, düşük‑güç‑yüksek‑performanslı bilgisayarların geleceğini tanımlayabilir ve bir sonraki nesil AI mimarilerinin temelini oluşturabilir.

Yapay zekaya yatırım hakkında her şeyi öğrenmek için buraya tıklayın.

Referanslar:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Makine Öğrenimiyle Ultra Geniş Bant ve Bant Seçici Termal Meta‑Emitörler. 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. Nöromorfik Hesaplama için Doğrusal Programlanabilir İki Boyutlu Halid Perovskit Memristör Dizileri. Nat. Nanotechnol. 2025, 20, 83–92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Üç Boyutlu Fotonic Entegrasyon için Ultra Düşük Enerji, Yüksek Bant Genişliği İnterçip Veri Bağlantıları. 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. Manyetik Tünel Bağlantılı Hesaplamalı Rastgele Erişim Belleğinin Deneysel Gösterimi. 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. Enerji Verimli AI/ML Hızlandırıcıları İçin Büyük Ölçekli Entegre Fotonic Cihaz Platformu. 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. Optik Sinir Ağları: İlerleme ve Zorluklar. 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. Dağılım Ayarlanabilir Düşük Kayıplı İmplantasyonlu Spin‑Dalga Dalga Kılavuzları için Büyük Manyonik Ağlar. Nat. Mater. 2025. https://doi.org/10.1038/s41563-025-02282-y