Partnerskaber
NVIDIA, IBM og Fermilab planlægger modulær platform til kvanteberegning

NøglepunkterDen 13.000 gange hurtigere dekoder gælder kun for én benchmark-sammenligning og ikke…
Vis mere
- Den 13.000 gange hurtigere dekoder gælder kun for én benchmark-sammenligning og ikke for alle arbejdsbelastninger.
- Fermilab fremstiller den kvante-klassiske platform som et forslag snarere end et fungerende anlæg.
- Sammenkoblingsstudier vil afgøre, hvad senere fejltolerante multiprocessorsystemer skal håndtere.
NVIDIA meddelte i en meddelelse den 16. november 2026, at virksomheden planlægger at udvikle en modulær platform til fælles design af kvante- og klassisk databehandling sammen med IBM og Fermi National Accelerator Laboratory, og at dens netop lancerede GPU-accelererede fejlkorrigeringsdekoder opnåede en hastighedsforøgelse på op til 13.000 gange i en specifik benchmark-sammenligning.
Fermilab beskriver initiativet som et forslag snarere end et anlæg i drift. Det indledende design vil placere IBMs kvantecomputere fysisk sammen med NVIDIA DGX B200-systemer til accelereret databehandling, herunder computere drevet af IBM Quantum Nighthawk. Forskere vil udvikle og evaluere fejlkorrigeringskoder, dekodere og kvante-klassiske applikationer, samtidig med at de undersøger, hvordan klassiske systemer skalerer sammen med flere forbundne kvanteprocessorer.
En platform til forbundne kvantesystemer
IBM beskriver Nighthawk som sin mest kraftfulde kvanteprocessor, der understøtter kredsløb med op til 7.500 to-qubit-operationer på 120 qubits og hastigheder på op til 100.000 prøver i sekundet.
Det videnskabelige program vil fokusere på højenergifysik og kernefysik. Fermilab vil stå for kontakten til forskerne og koordinere softwarearbejdsgange og adgang via HEPCloud, mens partnerne udvikler algoritmer, fælles software og benchmarks for gittermåleteorier, neutrino-interaktioner og kernesimuleringer. Disse problemstillinger skal bruges til at omsætte videnskabelige behov til krav til fremtidige fejltolerante kvantesystemer.
Modulariteten skal gøre det muligt at forbinde processorer til beregninger, der er for krævende til én enkelt enhed. Forskere vil først modellere og simulere kommunikationen mellem moduler og undersøge forbindelsesfejl, latenstid og feedback for at vejlede IBM’s og Fermilabs Superconducting Quantum Materials and Systems (SQMS) Centers arbejde med fysiske forbindelser. I en senere fase agter SQMS at integrere superledende hulrum med ultrahøj koherens og undersøge deres anvendelse som kvantehukommelser, buffere til sammenfiltring og ressourcer til bosonisk fejlkorrigering.
Fermilabs teknologidirektør og SQMS-direktør Anna Grassellino sagde, at initiativet vil bidrage til at etablere de kapaciteter og det forskningsmiljø, der er nødvendige for et fremtidigt brugeranlæg til kvanteberegning under det amerikanske energiministerium.
Dekoderens ydeevne med TCBP-JOBS
TCBP-JOBS, der fås separat via CUDA-Q QEC 0.9.0, håndterer den klassiske del af kvantefejlkorrigering. Fejlkorrigering fordeler kvanteinformation på flere fysiske qubits; en dekoder fortolker måledata for at identificere sandsynlige fejl, så de kan korrigeres. NVIDIA oplyser, at algoritmen reducerede en forskningsberegning fra 12 uger til 45 minutter og dermed fremskyndede evalueringen af kandidat-koder og dekoderkonfigurationer.
NVIDIA Research-abstractet præciserer, at resultatet på 13.000 gange blev målt i forhold til Tesseract med lang stråle uden sparsificering på bivariate bicycle-koder ved forhold mellem logiske fejlrater på 0,97 til 1,57. Sammenlignet med Tesseracts sparsificerede forudindstillinger lå de rapporterede serielle hastighedsforøgelser på mellem 10 og 7.400 gange. Testene omfattede hukommelses- og kirurgikredsløb for overflade-, farve- og bivariate bicycle-koder; resultaterne dokumenterer ikke en ensartet hastighedsforøgelse på tværs af dekodere eller arbejdsbelastninger.
Metoden kombinerer banekalibreret belief propagation, som lærer kalibrerede fejlsandsynligheder ud fra belief propagation-baner, med jitterbaseret OSD-strålesøgning, som bruger disse sandsynligheder til at styre parallelle GPU-søgninger. NVIDIA Research rapporterer logiske fejlrater, der kan sammenlignes med Tesseracts, og som er op til 4,5 gange lavere for de største koder, batchkørsel til offline-simulering samt latenstid på millisekundniveau i serielle hukommelses- og logiske kirurgiforsøg for QPU’er med længere logiske klokcyklusser.
Indbygget QPU-planlægning i Slurm
En relateret integration ændrer den måde, supercomputercentre tildeler kvantehardware på. Slurm havde tidligere ikke noget indbygget begreb for en kvanteprocessor (QPU), så centrene tilsluttede QPU’er via plugins uden for planlæggerens centrale ressourcemodel. IBM, NVIDIA og Pasqal samarbejdede med open source-fællesskabet om Quantum Resource Management Interface (QRMI), et leverandørneutralt lag, der opretter forbindelse til Slurm Hierarchical Resources.
I modsætning til GPU’er, der fungerer i enkelte beregningsnoder, kan QPU’er deles mellem flere noder. Hierarchical Resources gør det muligt for administratorer at administrere denne delte ressource, tildele og reservere QPU-tid og føre regnskab over den efter velkendte politikker for højtydende databehandling. En hybrid arbejdsbelastning kan derfor køres som et almindeligt Slurm-job uden en separat kø eller et særskilt login.
NVIDIA’s meddelelse om Slurm oplyser, at understøttelse af QRMI- og QDMI-grænsefladerne til kvantebaseret højtydende databehandling vil gøre det muligt for QPU-producenter at genbruge én integration på tværs af implementeringer i stedet for at udvikle specialtilpasset software til hver kombination af QPU og center. Blandt de organisationer, der er nævnt som deltagere i udvidelsen, er Alice & Bob, IBM, IQM, Pasqal, Quantinuum og MQSC, og Slurm 26.11 forventes at blive tilgængelig senere i november 2026.
Tilsammen adresserer den foreslåede platform og softwareudgivelserne tre forskellige begrænsninger: evaluering af fejlkorrektion, planlægning af delt hardware og sammenkobling af processorer. De første undersøgelser af forbindelserne mellem processorer er den centrale hardwaretest, fordi målingerne af linkfejl, latenstid og feedback skal fastslå, hvad senere fejltolerante systemer med flere processorer skal kunne håndtere, før Fermilab tilføjer sin kavitetsbaserede hardware.












