Redes de ondas de espín: el siguiente paso en la computación eficiente de IA

La inteligencia artificial (IA) es transformando la forma en que En vivo. Con su potencial para revolucionar las industrias, la tecnología se espera para generar billones en valor.

Desde la atención médica hasta la educación, el transporte, el entretenimiento y las finanzas, la IA ha mejorado enormemente la eficiencia y la precisión en todos los sectores.La IA también ha ayudado a mejorar la eficiencia energética. Por ejemplo, científicos de todo el mundo colaboraron para... Para crear¹ una nueva clase de material que utiliza IA que ayuda a reducir los costos energéticos.

¿Pero qué pasa con las enormes demandas energéticas de la propia IA? La IA, que consume mucha energía, presenta un gran desafío. Con el rápido aumento de las aplicaciones de IA, la demanda de energia También está aumentando drásticamente, lo que a su vez supone una presión sobre nuestra infraestructura energética.

Los modelos de aprendizaje automático (ML) se vuelven cada día más complejos. Y cuanto más grandes y sofisticados se vuelven, mayores son los recursos necesarios para entrenarlos y ejecutarlos. 

Entrenamiento de modelos de aprendizaje automático requiere no sólo recursos computacionales, sino también energía y agua para los centros de datos que albergan la infraestructura de TI necesaria para entrenar, implementar y entregar aplicaciones y servicios de IA.

Vijay Gadepally, un científico senior del Centro de Supercomputación del Laboratorio Lincoln del MIT (LLSC), había dijo lo siguiente Hace un par de años, cuando la situación aún estaba en desarrollo:

"A medida que pasamos del texto al vídeo y a la imagen, estos modelos de IA se vuelven cada vez más grandes, al igual que su impacto energético. Esto se convertirá en una cantidad considerable de consumo de energía y en un contribuyente cada vez mayor a las emisiones en todo el mundo."

Según las proyecciones de la Agencia Internacional de Energía (AIE), la demanda mundial de electricidad de los centros de datos aumentará doble de un estimado de 460 teravatios-hora (TWh) en 2022 a 1,000 TWh en 2026, lo que equivale aproximadamente al consumo de electricidad de Japón.

El consumo de electricidad de los centros de datos ya ha alcanzado aproximadamente 1.5% del consumo mundial de electricidad.

Una nueva investigación publicada por la UNESCO y el University College de Londres (UCL) también advierte que las demandas energéticas de la IA, especialmente los modelos de lenguaje grandes (LLM), han alcanzado niveles insostenibles, y Para cambiar esto, “necesitamos un cambio de paradigma en cómo lo usamos”.

Según su informe, las herramientas Gen AI son siendo utilizado por más de mil millones de personas diariamente, con Cada interacción consume aproximadamente 0.34 vatios-hora de energía por mensaje. Decía:

“Esto suma 310 gigavatios-hora por año, equivalente al consumo anual de electricidad de más de 3 millones de personas en un país africano de bajos ingresos”. 

En su informe, el equipo de científicos informáticos sugirió tres innovaciones clave para permitir ahorros sustanciales de energía. Este Incluye el uso de modelos más pequeños, que son tan inteligentes y precisos como los grandes, pero pueden reducir el consumo de energía hasta en un 90 %. También existen indicaciones y respuestas más breves y concisas que pueden reducir el consumo de energía en más del 50 %, mientras que la compresión de modelos permite ahorrar hasta un 44 %.

Haciendo que la IA sea más eficiente con software más inteligente y hardware más ecológico

Chip de IA brillante incrustado en una hoja verde que simboliza una IA energéticamente eficiente

No just un número creciente de individuos son cada vez más adoptando IA, but Cada vez más organizaciones también están integrando esta tecnología into sus negocios

Un estudio del IBM Instituto de Valor Empresarial (IBV) reveló que la mayoría (77%) siente la necesidad de utilizar generativo La IA avanza rápidamente al ritmo de sus clientes. 

Con los años, varios Otros innovaciones tecnológicas, tal as informática, han planteado preocupaciones similares, que Luego se abordaron mediante innovaciones de eficiencia. Ahora se puede hacer lo mismo con la IA. Desde los investigadores hasta las empresas, todos están trabajando actualmente para comprender su impacto y descubrir Cloud para mitigar sus efectos negativos.

Estas soluciones incluyen el uso de energía limpia y renovable, así como modelos más pequeños y un entrenamiento de modelos más inteligentes. 

Para abordar los desafíos de eficiencia energética de la IA, los investigadores están enfocados en dos frentes:

• Innovaciones de software
• mejoras de hardware

En el ámbito del hardware, la limitación de energía es una solución que puede potentially reducir el consumo de energía hasta en un 15%. También existe hardware de bajo consumo de carbono, que "combina un modelo con la combinación de hardware más eficiente en carbono", según MIT. 

En la Conferencia de Sostenibilidad del MIT en octubre, Gadepally, quien lidera los esfuerzos de investigación consciente de la energía en Sociedad de responsabilidad limitada, sugirió repensar el entrenamiento de modelos de IA e invertir en hardware más eficiente. El Laboratorio Lincoln del MIT ha estado empleando las recomendaciones de Gadepally para reducir su propia Huella del centro de datos.

El uso de hardware computacionalmente más eficiente y aceleradores de hardware especializados también puede contribuir.Contribuye al ahorro energético. La paralelización, que reduce el tiempo de entrenamiento del algoritmo al distribuir el cálculo entre varios núcleos de procesamiento, y la computación de borde, que realiza el cálculo en los lugares donde se recopilan o utilizan los datos, son otras promesas.Soluciones de hardware ing.

Los científicos también están recurriendo a El cerebro humano, que tiene 100 mil millones de neuronas y 100 billones conexiones sinápticas, para mejorar las máquinas. 

Este Ha conducido a la computación neuromórfica, que, de confiar en el método tradicional de von Neumann arquitecturas, Utiliza neuronas y sinapsis artificiales para procesar información de manera similar al cerebro para lograr una mayor eficiencia energética y potencia computacional.

Para transferencias ejemplo, Investigadores de la Facultad de Ingeniería de la Universidad Nacional de Seúl desarrollado² Dispositivos neuromórficos basados en materiales híbridos orgánicos-inorgánicos.

Al hablar sobre la parte clave de su investigación, el profesor Ho Won Jang señaló que “Consiste en demostrar que el movimiento uniforme de iones a través de la superficie del material es más importante para desarrollar hardware neuromórfico de alto rendimiento que la creación de filamentos localizados en semiconductor materiales."

La luz es otra forma en que el hardware de IA es siendo mejoradoEn lugar de señales eléctricas, la computación fotónica utiliza luz y permite operaciones paralelas con una mínima pérdida de calor. 

Hace apenas unos meses, investigadores de Columbia Engineering liberado³ Una plataforma fotónico-electrónica 3D que logra una gran eficiencia energética y densidad de ancho de banda. Para ello, integraron la fotónica con circuitos electrónicos CMOS avanzados. El chip fotónico-electrónico integrado en 3D ofrece un alto ancho de banda (800 Gb/s) con un consumo de tan solo 120 femtojulios por bit. Es La densidad de ancho de banda de 5.3 Tb/s/mm2 también supera los puntos de referencia existentes.

El verano pasado, investigadores de la Facultad de Ciencias e Ingeniería de la Universidad de Minnesota, mientras tanto, mostró un nueva y alta tecnología⁴ llamada memoria de acceso aleatorio computacional (CRAM), que potencialmente puede reducir el uso de energía de la IA en 1,000 veces.

Con la fotónica de silicio emergiendo como una tecnología disruptiva para los aceleradores de próxima generación para ML, los investigadores de Hewlett-Packard Los laboratorios tienen Introducido⁵ una plataforma fotónica de silicio escalable y energéticamente eficiente que sirva como base subyacente para el hardware acelerador de IA.

Aceleradores de IA fotónica, a diferencia de los tradicionales, lo cual dependen de redes neuronales distribuidas electrónicamente (DNN), Utilizar redes neuronales ópticas⁶ (ONN) que ofrecen alto paralelismo, latencia extremadamente baja y mínima pérdida de calor.

Si bien es fácil de fabricar, fotónica de silicio son difíciles de escala; De ahí la plataforma. es fabricado utilizando fotónica de silicio junto con semiconductores compuestos III-V (como InP o GaAs).

Ahora existe un nuevo método que puede hacer que la IA sea más eficiente, y Esto se logra al permitir que grandes redes de guías de ondas de espín gestionen el procesamiento de información avanzada. Las ondas de espín son una solución prometedora para el procesamiento de información.

Este avance en la eficiencia del hardware de IA lo ha conseguido un equipo de científicos alemanes de las Universidades de Münster y Heidelberg.

Dirigido por Rudolf Bratschitsch, profesor de física en Münster, el equipo ha creado una enorme red de guía de ondas de espín que procesa información con significativamente menos energía, lo que la convierte en una alternativa prometedora a la electrónica de alto consumo energético.

Circuitos magnónicos escalables como la nueva frontera en IA de eficiencia energética

Ondas de espín que fluyen a través de un circuito a escala nanométrica que ilustran redes magnónicas

Si bien las redes magnónicas basadas en aisladores magnéticos pueden revolucionar el procesamiento de información debido a su eficiencia energética, los componentes básicos de estas redes, es decir, las guías de ondas de espín, adolecen de capacidades de ajuste de dispersión ineficientes y longitudes de propagación de ondas de espín limitadas.

El equipo de científicos de Münster y Heidelberg ha abordado estas limitaciones. 

Publicado en la revista científica Nature Materials⁷, Estudio detallado que desarrolla una nueva forma de crear guías de ondas en las que las ondas de espín pueden propagarse muy lejos, construyendo la red de guía de ondas de espín más grande hasta el momento. 

Pero eso no es todo. El equipo también pudo controlar las propiedades de la onda de espín que... fue transmitido en la guía de ondas. Para ejemplo, Los científicos lograron modificar con precisión la longitud de onda y la reflexión de la onda de espín en una interfaz específica. El estudio señaló:

"La dispersión de las guías de ondas se puede ajustar continuamente debido a la implantación de iones precisa y localizada, que los diferencia de las guías de ondas grabadas comúnmente." 

El espín del electrón o momento angular intrínseco es una propiedad mecánica cuántica fundamental de los electrones, donde La alineación de varios espines determina las propiedades magnéticas. Ahora bien, si una corriente alterna... Está aplicado a un material magnético con una antena, un campo magnético cambiante es producido, y Los espines en el material pueden generar una onda de espín.

Las ondas de espín son excitaciones de un material magnético, y Presentan posibilidades interesantes para el procesamiento avanzado de la información. 

Lo que realmente los hace atractivos son sus características distintivas, como uno una fuerte no linealidad natural y una operación de alta velocidad dentro de la banda de frecuencia de gigahercios (GHz) a terahercios (THz).

Recientemente, los investigadores han comenzado a utilizar ondas de espín en estructuras y redes magnéticas a nanoescala para el procesamiento de señales y aplicaciones informáticas. Esta tecnología emergente puede ayudar a abordar las limitaciones inherentes a la microelectrónica de semiconductores tradicional en cuanto a densidad computacional y capacidad de procesamiento de alta dimensión.

Pero lo más importante es que la tecnología de ondas de espín tiene un bajo consumo de energía y es particularmente atractiva. 

La utilidad de esta tecnología reside en su capacidad para codificar información dentro de la fase, frecuencia y amplitud de las ondas de espín. Esta estrategia, al igual que las ondas electromagnéticas, permite un rango flexible de procesamiento de datos al aprovechar la dependencia de los atributos de propagación con respecto a estos parámetros.

Ondas giratorias se utilizan actualmente Para crear diferentes componentes individuales. Puertas lógicas que realizan operaciones lógicas en entradas binarias para producir una única salida binaria. están Un ejemplo. Los multiplexores son otro tipo de dispositivo. que selecciona una de varias señales de entrada. 

Otros ejemplos incluyen cruces, acopladores, memorias, puertas mayoritarias, (de)multiplexores, interferómetros, divisores y analizadores de espectro. 

Todos estos dispositivos pueden funcionar independientemente como unidades de procesamiento de información o integrarse en redes más grandes y complejas con funcionalidades avanzadas.

En una red grande, los vínculos entre Los elementos son guías de ondas personalizadas para ondas de espín. Estas guías de ondas son importantes para confinar y guiar las ondas de giro de un elemento a otro y, as Por lo tanto, requieren pérdidas de propagación mínimas. Estas guías de ondas y sus combinaciones también sirven como dispositivos funcionales de ondas de espín.

Sin embargo, los componentes no se han conectado para formar un todo más grande. circuito hasta ahora.

“El hecho de que redes más grandes como las que se usan en electrónica aún no estén been dio cuenta, Se debe en parte a la fuerte atenuación de las ondas de espín en las guías de ondas que conectan los conmutadores individuales. elementos - “especialmente si son más estrechas que un micrómetro y, por lo tanto, de escala nanométrica”.

– Profesor físico Bratschitsch

Entonces, lo que hizo el equipo para superar ese problema fue utilizar el material que actualmente tiene la menor atenuación, es decir, el granate de itrio y hierro (YIG). Tiene la amortiguación más baja y la longitud de propagación de ondas de espín más alta, alcanzando milímetros. 

En cuanto a la realización de guías de ondas para ondas de espín, los enfoques litográficos se utilizan habitualmentePara crear guías de ondas a escala nanométrica en YIG, el enfoque de fabricación avanzado es basado sobre el grabado iónico reactivo de películas delgadas de YIG. Pero incluso con películas de YIG de alta calidad y procesos de grabado de vanguardia, la longitud máxima de propagación... eso ha sido El tamaño reportado es de 54 µm.

El desarrollo de estructuras híbridas es otro enfoque emergente en el que las películas YIG se combinan con nanofranjas de metal ferromagnético para definir canales de transporte de ondas de espín nanoscópicos a través del acoplamiento dipolar. lo cual crea longitudes de propagación de ondas de espín de ~20 µm.

Luego está la implantación de iones, que se utilizó recientemente Para manipular las ondas de espín en YIG. La escritura con haz de iones focalizado ha permitido la modificación precisa de películas de YIG a escala submicrométrica.

Para ello, los científicos utilizaron un diodo de 110 nm disponible comercialmente. espesor película del material magnético YIG y luego se inscribieron guías de ondas de espín individuales en ella utilizando un haz de silicio iones. 

El proceso de implantación sin máscara permitió la creación de múltiples estructuras de onda de espín personalizadas en un solo sustrato. Pero, lo que es más importante, puede ampliarse para fabricar circuitos integrados magnónicos del tamaño de una oblea. 

También se fabricó una antena de microbanda de oro con película de litografía por haz de electrones para excitar ondas de espín con una señal de microondas de onda continua. Se aplicó un campo magnético estático externo en el plano H0 de μ0H0 = 50 mT para generar ondas de espín en modo superficie.

De esta manera, lograron producir una gran red con 198 nodos, abriendo las puertas a circuitos integrados magnónicos a gran escala. También permite estructuras complejas de alta calidad. ser creado de forma replicable y flexible.

Además, el equipo logró una longitud de propagación de onda de espín de más de 100 µm, y Su enfoque sin grabado les permitió tener una red integrada de ondas de espín compuesta por 34 puertos de entrada paralelos y 34 salidas. El estudio afirmó:

“Estos resultados abren el camino para la creación de redes magnónicas avanzadas con un control inigualable y abren nuevas vías para el desarrollo de sistemas informáticos de ondas de espín a gran escala y con bajas pérdidas”. 

Invertir en IA eficiente

En el mundo de la inteligencia artificial, NVIDIA Corporation (NVDA -0.79%)
Es el líder indiscutible con sus aceleradores y chips de IA. La empresa más grande del mundo por capitalización bursátil, con más de 4 billones de dólares. NVIDIA También ha estado invirtiendo en arquitecturas energéticamente eficientes.

NVIDIA Corporation (NVDA -0.79%)

Las GPU de Nvidia ofrecen mejoras en el rendimiento por vatio. Su arquitectura Blackwell, en particular, promete inteligencia artificial de última generación con un billón de parámetros. LLMs con un coste y consumo energético hasta 25 veces menor que sus predecesores Arquitectura anterior de Hopper.

Blackwell, fundada por Jensen Huang, el director ejecutivo, dijo el año pasado, esta diseñado ser “muy eficiente y muy eficiente energéticamente”.

Nvidia también ofrece sistemas de refrigeración líquida, NVIDIA GB200 NVL72 y NVIDIA GB300 NVL72, para manejar las exigentes tareas de inferencia LLM con su arquitectura específicamente optimizada para la precisión y el rendimiento del escalamiento en tiempo de prueba.

El gigante tecnológico también participa en la investigación y el desarrollo de IA edge con su plataforma NVIDIA EGX™, que combina computación potente, gestión remota, sistemas y software para llevar la IA al edge. NVIDIA IGX Orin™ está diseñada para entornos industriales y médicos. mientras La plataforma NVIDIA Jetson™ es su solución robótica.

Otra área de investigación de Nvidia es la fotónica. A principios de este año, la compañía anunció sus nuevos conmutadores de red fotónica de silicio, empaquetados conjuntamente, para conectar millones de GPU entre diferentes ubicaciones, reduciendo al mismo tiempo el consumo de energía y los costos operativos. 

"Al integrar la fotónica de silicio directamente en los conmutadores, NVIDIA está rompiendo las antiguas limitaciones de las redes empresariales y de hiperescala y abriendo la puerta a fábricas de IA de un millón de GPU.

– Huang

La nueva tecnología utiliza rayos láser para enviar información a través de cables de fibra óptica entre chips. Estará disponible a finales de este año y principios de 2026.

La compañía también ha estudiado su uso más amplio en sus chips GPU insignia, pero por el momento no tiene planes de hacerlo todavía, ya que las conexiones de cobre tradicionales siguen siendo "órdenes de magnitud" más confiables que las conexiones ópticas empaquetadas conjuntamente.

En cuanto al rendimiento de mercado de Nvidia, ha sido extraordinario. En octubre de 2022, las acciones de NVDA cayeron por debajo de los 11 dólares y actualmente cotizan por encima de los 165 dólares. Con ello, tiene un BPA (TTM) de 3.10 y un PER (TTM) de 53.12. La compañía incluso ofrece una rentabilidad por dividendo. aunque sólo el 0.02%.

En cuanto a las finanzas, para el primer trimestre del año fiscal 2026, Nvidia reportó ingresos de $44.1 mil millones, un 12% más que en el cuarto trimestre. mientras Los ingresos del centro de datos ascendieron a 39.1 mil millones de dólares, un aumento del 10% respecto del trimestre anterior.

Huang señaló que la demanda de la infraestructura de inteligencia artificial de la empresa es “increíblemente fuerte”.

Últimas noticias y desarrollos de acciones de NVIDIA Corporation (NVDA)

Conclusión

A medida que el mundo continúa adoptando la IA, que promete mayor eficiencia, mayor productividad, mejor toma de decisiones y experiencias personalizadas, se espera que el mercado para esta poderosa tecnología que valdrá miles de millones de dólares en 2025.

Pero a medida que crece la demanda de IA que consume mucha energía, también do sus necesidades energéticas, lo que supone una presión sobre las redes energéticas y un aumento de las emisiones de gases de efecto invernadero.

Para lograr una IA verdaderamente eficiente, se requieren esfuerzos coordinados en la evolución tanto del software como del hardware. En este contexto, innovaciones como el entrenamiento de modelos más inteligentes, modelos más pequeños, indicaciones concisas y compresión de modelos, computación neuromórfica, IA de borde y fotónica Podría ayudar a crear un futuro donde la escala no tenga que ir acompañada de demandas energéticas insostenibles.

Aquí el más reciente Un avance en la computación de ondas de espín podría definir el futuro de la computación de bajo consumo y alto rendimiento, convirtiéndose potencialmente en la base de las arquitecturas de IA de próxima generación.

Haga clic aquí para aprender todo sobre invertir en inteligencia artificial.

Referencias:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Metaemisores térmicos de banda ultraancha y selectivos de banda mediante aprendizaje automático. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Kim, SJ; Im, IH; Baek, JH; et al. Matrices de memristores de perovskita de haluro bidimensionales programables linealmente para computación neuromórfica. Nat. Nanotecnol 2025, 20, 83-92. https://doi.org/10.1038/s41565-024-01790-3
3. Daudlin, S.; Rizzo, A.; Lee, S.; et al. Integración fotónica tridimensional para enlaces de datos entre chips de ultra baja energía y alto ancho de banda. Nat. Photon. 2025, 19, 502–509. https://doi.org/10.1038/s41566-025-01633-0
4. Lv, Y.; Zink, BR; Bloom, RP; et al. Demostración experimental de memoria de acceso aleatorio computacional basada en unión de túnel magnético. npj Comput. no convencional 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 fotónicos integrados a gran escala para aceleradores de IA/ML energéticamente eficientes. IEEE J. Sel. Cima. Electrón cuántico. 2025, 31(3), Artículo 8200326. https://doi.org/10.1109/JSTQE.2025.3527904
6. Fu, T.; Zhang, J.; Sun, R.; et al. Redes neuronales ópticas: avances y desafíos. Light Sci. Apl. 2024, 13, 263. https://doi.org/10.1038/s41377-024-01590-3
7. Bensmann, J.; Schmidt, R.; Nikolaev, KO; et al. Guías de ondas de espín implantadas de baja pérdida y con dispersión sintonizable para grandes redes magnónicas. Nat. Mate. 2025. https://doi.org/10.1038/s41563-025-02282-y