Спин-волновые сети: следующий шаг в эффективных вычислениях ИИ

Искусственный интеллект (ИИ) это преобразуя то, как мы В прямом эфире. С потенциалом революционизировать отрасли, эта технология ожидается для создания триллионов стоимости.

От здравоохранения до образования, транспорта, развлечений и финансов: ИИ значительно повысил эффективность и точность во всех секторах.ИИ также помогает повысить энергоэффективность. Например, учёные со всего мира объединились, чтобы Создайте¹ новый класс материалов с использованием ИИ, помогающий снизить затраты на электроэнергию.

Но как насчет огромных энергетических потребностей самого ИИ? Энергоёмкий ИИ представляет собой серьёзную проблему. В связи с быстрым ростом числа приложений ИИ, спрос на энергию также резко возрастает, что, в свою очередь, создает нагрузку на нашу энергетическую инфраструктуру.

С каждым днём модели машинного обучения (МО) становятся всё сложнее. И чем больше и сложнее они становятся, тем выше требования к ресурсам для их обучения и запуска. 

Обучение моделей МО требуется не только вычислительные ресурсы, но также энергия и вода для центров обработки данных, в которых размещается ИТ-инфраструктура, необходимая для обучения, развертывания и предоставления приложений и услуг ИИ.

Виджай Гадепалли, старший научный сотрудник Суперкомпьютерного центра лаборатории Линкольна Массачусетского технологического института (LLSC), сказал следующее пару лет назад, когда ситуация еще только развивалась:

По мере того, как мы переходим от текста к видео и изображению, эти модели ИИ становятся все больше и больше, а вместе с ними растет и их энергетическое воздействие. Это приведет к значительному потреблению энергии и увеличению выбросов по всему миру.

По прогнозам Международного энергетического агентства (МЭА), глобальный спрос на электроэнергию со стороны центров обработки данных будет двойной с предполагаемых 460 тераватт-часов (ТВт-ч) в 2022 году до 1,000 ТВт-ч в 2026 году, что примерно эквивалентно потреблению электроэнергии в Японии.

Потребление электроэнергии в центрах обработки данных уже достигло примерно 1.5%. мирового потребления электроэнергии.

Новое исследование, опубликованное ЮНЕСКО и Университетским колледжем Лондона (UCL), также Уведомление предупреждает что энергетические потребности ИИ, особенно больших языковых моделей (LLM), достигли неустойчивого уровня, и Чтобы изменить это, «нам нужно изменить парадигму в том, как мы ее используем».

Согласно их отчету, инструменты Gen AI быть использованным более 1 миллиарда человек ежедневно, Каждое взаимодействие потребляло около 0.34 ватт-часа энергии на подсказку. В нём говорилось:

«Это составляет 310 гигаватт-часов в год, что эквивалентно годовому потреблению электроэнергии более 3 миллионов человек в африканской стране с низким уровнем дохода». 

В своем отчете группа компьютерных ученых предложила три ключевых нововведения, которые позволят существенно сэкономить энергию. Эти Включает использование меньших моделей, которые столь же интеллектуальны и точны, как и большие, но могут сократить энергопотребление до 90%. Кроме того, существуют более короткие и лаконичные подсказки и ответы, которые могут сократить энергопотребление более чем на 50%, а сжатие моделей позволяет сэкономить до 44% энергии.

Повышение эффективности ИИ с помощью более интеллектуального программного обеспечения и более экологичного оборудования

Светящийся ИИ-чип, встроенный в зеленый лист, символизирует энергоэффективный ИИ.

Не всего все большее число людей все больше внедрение ИИ, но Все больше и больше организаций также интегрируют эту технологию в их бизнес.

Исследование, проведенное IBM Институт деловой ценности (IBV) показали, что большинство (77%) чувствуют необходимость использования генеративный ИИ быстро успевает за своими клиентами. 

За эти годы несколько другими технологические инновации, as вычисления, выразили аналогичную обеспокоенность, которая затем были решены с помощью инноваций в области эффективности. то же самое теперь можно сделать и с ИИ. От исследователей до компаний, все сейчас работают над пониманием его влияния и поиском решения для смягчения его негативных последствий.

Эти решения включают использование чистой и возобновляемой энергии, а также меньших моделей и более интеллектуального обучения моделей. 

Чтобы решить проблемы энергоэффективности ИИ, исследователи сосредоточены на двух фронты:

• Программные инновации
• Улучшения оборудования

В области аппаратного обеспечения ограничение мощности — это решение, которое может потенциально сократить потребление энергии на целых 15%. Существует также углеродоэффективное оборудование, которое «соответствует модели с наиболее углеродоэффективным набором оборудования», по словам MIT. 

На конференции по устойчивому развитию Массачусетского технологического института в октябре Гадепалли, который возглавляет исследовательские работы в области энергетики в ООО, предложил переосмыслить обучение моделей ИИ и инвестировать в более эффективное оборудование. Лаборатория Линкольна Массачусетского технологического института использует рекомендации Gadepally для снижения собственный площадь центра обработки данных.

Использование более эффективного с вычислительной точки зрения оборудования и специализированных аппаратных ускорителей также может способствоватьЭкономия энергии. Распараллеливание, сокращающее время обучения алгоритма за счёт распределения вычислений между несколькими ядрами, и периферийные вычисления, которые выполняют вычисления в местах сбора или использования данных, – другие перспективные решения.аппаратные решения.

Ученые также обращаются к человеческий мозг, который имеет 100 миллиардов нейронов и 100 триллионов синаптические связи, чтобы сделать машины лучше. 

Эти привело к появлению нейроморфных вычислений, которые, вместо полагаться на традиционный фон Неймана архитектуры, использует искусственные нейроны и синапсы для обработки информации способом, аналогичным мозгу, для достижения большей энергоэффективности и вычислительной мощности.

Что касается экземпляр, Исследователи из Инженерного колледжа Сеульского национального университета развитый² нейроморфные устройства на основе гибридных органо-неорганических материалов.

Говоря о ключевой части своего исследования, профессор Хо Вон Джанг отметил, что «заключается в демонстрации того, что равномерное движение ионов по поверхности материала более важно для разработки высокопроизводительного нейроморфного оборудования, чем создание локализованных нитей в полупроводник материалы.

Свет — это еще один способ применения оборудования ИИ. улучшается. Вместо электрических сигналов фотонные вычисления используют свет и позволяют выполнять параллельные операции с минимальными потерями тепла. 

Всего несколько месяцев назад исследователи из Колумбийского инженерного университета освобожден³ 3D-фотонно-электронная платформа, обеспечивающая высокую энергоэффективность и плотность пропускной способности. Для этого они интегрировали фотонику с передовыми КМОП-электронными схемами. 3D-интегрированный фотонно-электронный чип обеспечивает высокую пропускную способность (800 Гбит/с) при потреблении всего 120 фемтоджоулей на бит. Это Плотность полосы пропускания 5.3 Тб/с/мм2 также превышает существующие контрольные показатели.

Летом прошлого года исследователи из Колледжа науки и техники Университета Миннесоты, показал новая технология⁴ называемая вычислительной памятью с произвольным доступом (CRAM), которая потенциально может сократить энергопотребление ИИ в 1,000 раз.

В связи с тем, что кремниевая фотоника становится революционной технологией для ускорителей следующего поколения для МО, исследователи из Hewlett-Packard Лаборатории имеют выпустили⁵ энергоэффективная и масштабируемая кремниевая фотонная платформа, которая послужит базовой основой для аппаратного ускорителя ИИ.

Фотонные ускорители ИИ, в отличие от традиционных, , которые зависят от электронных распределенных нейронных сетей (DNN), Используйте оптические нейронные сети⁶ (ONN), которые обеспечивают высокий параллелизм, чрезвычайно низкую задержку и минимальные потери тепла.

Несмотря на простоту изготовления, кремниевая фотоника трудно масштаб; Отсюда и платформа. Она сфабрикован с использованием кремниевой фотоники вместе с соединениями полупроводников III-V (такими как InP или GaAs).

Теперь есть новый метод, который может сделать ИИ более эффективным, и Это достигается за счёт того, что крупные спин-волноводные сети способны обрабатывать сложную информацию. Спиновые волны — перспективное решение для обработки информации.

Этот прорыв в эффективности аппаратного обеспечения ИИ был достигнут группой немецких ученых из университетов Мюнстера и Гейдельберга.

Под руководством Рудольфа Братшича, профессора физики из Мюнстера, группа создала обширную сеть спиновых волноводов, которая обрабатывает информацию, затрачивая значительно меньше энергии, что делает ее многообещающей альтернативой энергоемкой электронике.

Масштабируемые магнонные схемы как новый рубеж в энергоэффективном ИИ

Спиновые волны, протекающие через наномасштабную цепь, иллюстрирующую магнонные сети

В то время как магнонные сети на основе магнитных изоляторов могут произвести революцию в обработке информации благодаря своей энергоэффективности, строительные блоки этих сетей, т. е. спин-волновые волноводы, страдают от неэффективных возможностей настройки дисперсии и ограниченной длины распространения спиновых волн.

Эти ограничения были устранены группой ученых из Мюнстера и Гейдельберга. 

Опубликовано в научном журнале Природа материалы⁷, детальное исследование разработки нового способа создания волноводов, в которых спиновые волны могут распространяться очень далеко, таким образом построение крупнейшей на сегодняшний день сети спиновых волноводов. 

Но это ещё не всё. Команда также смогла контролировать свойства спиновой волны, был передан в волноводе. Для экземпляр, Учёным удалось точно изменить длину волны и отражение спиновой волны на определённом интерфейсе. В исследовании отмечается:

Дисперсию волноводов можно плавно регулировать. благодаря точной и локализованной ионной имплантации, что отличает их от обычно травленых волноводов.  

Спин электрона или собственный угловой момент является фундаментальным квантово-механическим свойством электронов, в котором Выстраивание нескольких спинов определяет магнитные свойства. Если же переменный ток применены к магнитному материалу с антенной, изменяющееся магнитное поле производится, и спины в материале могут генерировать спиновую волну.

Спиновые волны – это возбуждения магнитного материала, и они открывают захватывающие возможности для углубленной обработки информации. 

Что действительно делает их привлекательными, так это их отличительные характеристики, " У аборигенов естественная сильная нелинейность и высокая скорость работы в диапазоне частот от гигагерца (ГГц) до терагерца (ТГц).

В последнее время исследователи начали использовать спиновые волны в наномасштабных магнитных структурах и сетях для обработки сигналов и вычислений. Эта новая технология может помочь устранить ограничения, присущие традиционной полупроводниковой микроэлектронике в отношении плотности вычислений и производительности высокоразмерных вычислений.

Но что еще более важно, особенно привлекательным является низкое энергопотребление спин-волновой технологии. 

Полезность этой технологии заключается в её способности кодировать информацию в пределах фазы, частоты и амплитуды спиновых волн. Эта стратегия, подобно подходу для электромагнитных волн, обеспечивает гибкий диапазон обработки данных, используя зависимость характеристик распространения от этих параметров.

Спиновые волны в настоящее время используются для создания различных отдельных компонентов. Логические вентили, которые выполняют логические операции над двоичными входами для получения одного двоичного выходного сигнала. Один пример. Мультиплексоры — это ещё один тип устройств. который выбирает один из нескольких входных сигналов. 

Другие примеры включают в себя кроссировки, ответвители, запоминающие устройства, мажоритарные вентили, (демультиплексоры), интерферометры, разветвители и анализаторы спектра. 

Все эти устройства могут работать как автономные блоки обработки информации, так и интегрироваться в более крупные сложные сети с расширенными функциональными возможностями.

В большой сети связи между элементы представляют собой индивидуальные волноводы для спиновых волн. Эти волноводы важны для ограничения, а также для направления спиновых волн от одного элемента к другому и, as Такие волноводы и их комбинации также служат как функциональные спин-волновые устройства.

Однако компоненты не были соединены в единое целое. схема до сих пор.

«Тот факт, что более крупные сети, такие как те, которые используются в электронике, еще не было понял, частично из-за сильного затухания спиновых волн в волноводах, которые соединяют отдельные переключающие элементы - особенно если они уже микрометра и, следовательно, находятся в наномасштабе».

– Физик профессор Братшич

Чтобы преодолеть эту проблему, команда использовала материал, который на данный момент имеет наименьшее затухание, а именно железо-иттриевый гранат (ЖИГ). Он имеет наименьшее затухание и наибольшую длину распространения спиновых волн, достигающую миллиметров. 

Что касается создания волноводов для спиновых волн, то литографические подходы обычно используютсяДля создания наномасштабных волноводов в ЖИГ-кристалле используется передовой подход к изготовлению основан реактивного ионного травления тонких плёнок ЖИГ. Но даже при использовании высококачественных плёнок ЖИГ и современных технологий травления максимальная длина распространения это было сообщается, что он составляет 54 мкм.

Разработка гибридных структур – это еще один развивающийся подход, в котором пленки ЖИГ комбинируются с нанополосами ферромагнитного металла для определения наноскопических каналов переноса спиновых волн посредством дипольной связи. , которые создает длины распространения спиновых волн ~20 мкм.

Затем есть ионная имплантация, которая недавно использовался для управления спиновыми волнами в ЖИГ. Метод записи сфокусированным ионным пучком позволил точно модифицировать плёнки ЖИГ в субмикронном масштабе.

Итак, ученые использовали коммерчески доступный 110 нм толстый пленку магнитного материала ЖИГ, а затем вписал в нее отдельные спин-волновые волноводы с помощью пучка кремния ионы. 

Процесс безмасковой имплантации позволил создать несколько специализированных спин-волновых структур на одной подложке. Но, что ещё важнее, его можно масштабировать для создания магнонных интегральных схем размером с пластину. 

Для возбуждения спиновых волн непрерывным микроволновым сигналом была также изготовлена золотая микрополосковая антенна с использованием электронно-лучевой литографии. Для возбуждения спиновых волн поверхностного типа применялось внешнее статическое плоскостное магнитное поле H0 с напряженностью μ0H0 = 50 мТл.

Таким образом, им удалось создать большую сеть из 198 узлов, открыв путь к созданию крупномасштабных магнонных интегральных схем. Это также позволяет создавать сложные структуры высокого качества. быть создан воспроизводимо и гибко.

Более того, команда достигла длины распространения спиновой волны более 100 мкм, и Их подход без травления позволил им создать интегрированную спин-волновую сеть, состоящую из 34 параллельных входных портов и 34 выходных портов. В исследовании говорится:

«Эти результаты открывают путь к созданию усовершенствованных магнонных сетей с непревзойденным контролем и захватывающими возможностями для реализации крупномасштабных спин-волновых вычислительных систем с низкими потерями». 

Инвестиции в эффективный ИИ

В мире искусственного интеллекта NVIDIA Corporation (NVDA -0.76%)
является явным лидером в области ИИ-ускорителей и чипов. Крупнейшая в мире компания с рыночной капитализацией более 4 триллионов долларов, NVIDIA, также инвестирует в энергоэффективную архитектуру.

NVIDIA Corporation (NVDA -0.76%)

Графические процессоры Nvidia обеспечивают повышение производительности на ватт. В частности, архитектура Blackwell обещает поддержку искусственного интеллекта поколения с триллионом параметров. LLMs в 25 раз дешевле и потребляет меньше энергии, чем его предыдущая архитектура Hopper.

Blackwell, основанная Дженсеном Хуангом, генеральным директором, сказал в прошлом году, спроектированно быть «очень производительным и очень энергоэффективным».

Nvidia также предлагает системы жидкостного охлаждения NVIDIA GB200 NVL72 и NVIDIA GB300 NVL72 для решения сложных задач вывода LLM с архитектурой, специально оптимизированной для точности масштабирования и производительности во время тестирования.

Технологический гигант также участвует в исследованиях и разработках в области искусственного интеллекта на периферии, используя свою платформу NVIDIA EGX™, которая сочетает в себе мощные вычислительные возможности, удалённое управление, а также системы и программное обеспечение для внедрения искусственного интеллекта на периферии. NVIDIA IGX Orin™ разработана для промышленных и медицинских сред. в то время как Платформа NVIDIA Jetson™ — это решение для робототехники.

Ещё одним направлением исследований Nvidia является фотоника. Ранее в этом году компания анонсировала новые кремниевые фотонные сетевые коммутаторы, которые объединяют миллионы графических процессоров на разных площадках, одновременно снижая энергопотребление и эксплуатационные расходы. 

Интегрируя кремниевую фотонику непосредственно в коммутаторы, NVIDIA разрушает старые ограничения гипермасштабных и корпоративных сетей и открывает путь к фабрикам искусственного интеллекта с миллионами графических процессоров».

– Хуан

Новая технология использует лазерные лучи для передачи информации по оптоволоконным кабелям между чипами. Ожидается, что она появится в конце этого года и в 2026 году.

Компания также рассматривала возможность более широкого использования этого кабеля в своих флагманских чипах GPU, но в настоящее время не планирует делать это, поскольку традиционные медные соединения по-прежнему на «порядки» надежнее, чем совместно упакованные оптические соединения.

Что касается рыночных показателей Nvidia, то они просто выдающиеся. В октябре 2022 года акции NVDA упали ниже 11 долларов и сейчас торгуются выше 165 долларов. При этом прибыль на акцию (EPS) (TTM) составляет 3.10, а коэффициент P/E (TTM) — 53.12. Компания даже предлагает дивидендную доходность. хоть всего 0.02%.

Что касается финансовых показателей, за первый квартал 2026 финансового года Nvidia сообщила о выручке в размере 44.1 млрд долларов, что на 12% больше, чем в четвертом квартале. в то время как Выручка центров обработки данных составила 39.1 млрд долларов, что на 10% больше, чем в предыдущем квартале.

Хуан отметил, что спрос на ИИ-инфраструктуру компании «невероятно высок».

Последние новости и разработки NVIDIA Corporation (NVDA)

Вывод

Поскольку мир продолжает внедрять искусственный интеллект, который обещает повышение эффективности, производительности, улучшение процесса принятия решений и персонализированный опыт, ожидается, что рынок для этой мощной технологии будет расширяться. к 2025 году его стоимость составит несколько миллиардов долларов.

Но поскольку спрос на энергоемкий ИИ растет, do его энергетические потребности, что означает нагрузку на энергосети и рост выбросов парниковых газов.

Для достижения по-настоящему эффективного ИИ необходимы скоординированные усилия по развитию как программного обеспечения, так и оборудования. На этом фоне такие инновации, как более интеллектуальное обучение моделей, меньшие модели, краткие подсказки, сжатие моделей, нейроморфные вычисления, искусственный интеллект на периферии и фотоника могли бы помочь создать будущее, в котором масштаб не обязательно сопровождается неустойчивым спросом на энергию.

Здесь последний Прорыв в спин-волновых вычислениях может определить будущее маломощных высокопроизводительных вычислений и потенциально стать основой для архитектур ИИ следующего поколения.

Нажмите здесь, чтобы узнать все об инвестициях в искусственный интеллект.

Ссылки:

1. Сяо, Ч.; Лю, М.; Яо, К.; и др. Сверхширокополосные и селективные по полосе пропускания тепловые мета-излучатели с использованием машинного обучения. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Ким, С.Дж.; Им, И.Х.; Бэк, Дж.Х.; и др. Линейно программируемые двумерные массивы мемристоров на основе галогенид-перовскита для нейроморфных вычислений. Туземный Nanotechnol. 2025 году 20, 83-92. https://doi.org/10.1038/s41565-024-01790-3
3. Даудлин, С.; Риццо, А.; Ли, С.; и др. Трёхмерная фотонная интеграция для сверхнизкоэнергетических и широкополосных межкристальных каналов передачи данных. Nat. Photon. 2025, 19, 502–509. https://doi.org/10.1038/s41566-025-01633-0
4. Лв, Й.; Цинк, Б.Р.; Блум, Р.П.; и др. Экспериментальная демонстрация вычислительной памяти с произвольным доступом на основе магнитных туннельных переходов. npj Несв. Выч. 2024 году 1, 3. https://doi.org/10.1038/s44335-024-00003-3
5. Тоссон, Б.; Сяо, Х.; Чунг, С.; Юань, И.; Пэн, И.; Шринивасан, С.; и др. Крупномасштабная интегрированная платформа фотонных устройств для энергоэффективных ускорителей искусственного интеллекта и машинного обучения. IEEE J. Sel. Вершина. Квантовая электроника. 2025, 31(3), статья 8200326. https://doi.org/10.1109/JSTQE.2025.3527904
6. Фу, Т.; Чжан, Дж.; Сан, Р.; и др. Оптические нейронные сети: прогресс и проблемы. Light Sci. Прил. 2024 году 13, 263. https://doi.org/10.1038/s41377-024-01590-3
7. Бенсманн, Дж.; Шмидт, Р.; Николаев, К.О.; и др. Имплантированные спин-волновые волноводы с малыми потерями и регулируемой дисперсией для больших магнонных сетей. Туземный Mater. 2025. Воспользуйтесь функционалом https://doi.org/10.1038/s41563-025-02282-y