Магнитная память с ультрабыстрыми импульсами магнитного поля может сократить энергопотребление памяти и накопителей для ИИ-центров обработки данных примерно в 100 раз. Такой подход описали исследователи University of Edinburgh в работе для журнала Advanced Materials.

Звучит как мечта любого оператора дата-центра, но есть трезвая оговорка. Речь пока не про готовую DDR-планку или SSD из магазина. Ученые описали физическую модель и предложили практические шаги для прототипов и экспериментов.

Память остается одним из прожорливых узлов ИИ-инфраструктуры

ИИ-дата-центры тратят энергию не только на GPU и сетевые стойки. Большую роль играют память и хранение данных, потому что модели постоянно гоняют массивы информации между вычислителями, RAM и накопителями.

Продолжение после рекламы

В магнитной памяти данные хранятся через состояние магнитных элементов. Чтобы записать ноль или единицу, система переключает это состояние. Современные методы такого переключения работают, но платят за скорость энергией и теплом.

Изображение к статье: Магнитная память для ИИ может снизить расход энергии в 100 раз

Авторы работы прямо связывают проблему с ростом ИИ. Без заметного прироста эффективности информационные и коммуникационные технологии могут занять крупную долю мирового потребления электроэнергии и выбросов углерода. В эту нагрузку входит не только работа серверов, но и производство компонентов.

Ультрабыстрые импульсы бьют по главной потере энергии

Команда из Эдинбурга предложила переключать магнитную память не стандартными энергозатратными методами, а через ultrafast magnetic-field pulses. По расчетам авторов, такой режим снижает расход энергии на переключение до двух порядков, то есть примерно до 100x.

Если упростить, исследователи пытаются не «толкать» магнитное состояние грубой силой. Они подбирают короткий импульс так, чтобы система переходила в нужное состояние с меньшими потерями. В идеале такой подход приближает операцию к термодинамическим пределам, где меньше энергии уже трудно потратить по законам физики.

Для обычного пользователя это не означает мгновенный апгрейд домашнего ПК. Но для дата-центра разница в два порядка на операциях памяти — это уже другой счет за электричество и охлаждение. Особенно там, где тысячи ускорителей часами обслуживают обучение или инференс нейросетей.

Изображение к статье: Магнитная память для ИИ может снизить расход энергии в 100 раз
  • Где опубликовано: журнал Advanced Materials
  • Кто работал: исследователи University of Edinburgh, Шотландия
  • Что меняют: способ переключения состояния магнитной памяти
  • Заявленный эффект: снижение энергопотребления до двух порядков, около 100x
  • Статус технологии: теория и рекомендации для будущих прототипов

До серверных стоек путь длинный

У этой новости есть важная граница. Ученые не показали коммерческий модуль памяти, не назвали производителя и не дали срок запуска. Работа описывает рамку, которую другие лаборатории смогут проверить на прототипах.

Авторы считают, что идея не ограничивается магнитной памятью. Тот же расчетный подход можно адаптировать к электрическим токам и ультрабыстрым лазерным импульсам. Эти направления уже рассматривают для будущих систем хранения данных, где скорость записи и энергоэффективность упираются в физику материалов.

Здесь хорошо виден разрыв между лабораторией и рынком. В лаборатории можно поймать красивый режим переключения. В серверной стойке нужно пережить миллиарды циклов записи, нагрев, брак производства, контроллеры, стандарты и цену за гигабайт. Именно поэтому такие работы редко быстро превращаются в продукт.

Но сама цель выглядит практичной. ИИ-индустрия уперлась не только в доступность ускорителей. Она уперлась в питание, охлаждение и место под новые дата-центры. Если память и накопители снизят потери хотя бы на часть заявленных 100x, инженеры получат запас там, где сегодня приходится ставить новые трансформаторы и чиллеры.

Продолжение после рекламы

Пресс-релиз по работе Science Daily вышел 6 сентября 2026 года. Один из авторов исследования, доктор Elton J.G. Santos, сформулировал масштаб так: «The same framework can be adapted to electrical currents and even ultrafast laser pulses».

Рейтинг: 0 / 5. Оценок: 0

Рекомендуем почитать

Оставьте комментарий

Перед оставлением комментария, пожалуйста, ознакомьтесь с правилами комментирования.