Q.ANT åbner pilotprojekt med fotonisk AI-hardware på IONOS bare-metal-servere

Q.ANT meddelte den 9. november 2026, at udvalgte ansøgere kan afprøve deres egne AI-arbejdsbelastninger på virksomhedens andengenerations fotoniske processor via dedikerede IONOS-bare-metal-servere i Tyskland. Det sker som led i et gratis, lukket betaprojekt, der skal identificere kommercielle anvendelser.

Programmet er begrænset til deltagere med et konkret anvendelsestilfælde og tilstrækkelig ekspertise til selv at administrere en bare-metal-server. IONOS klargør hvert system manuelt med SSH-rootadgang og mulighed for en KVM-konsol. Dokumentationen til pilotprojektet beskriver den ISO 27001-certificerede tyske hosting som i overensstemmelse med databeskyttelsesreglerne i GDPR og som suveræn inden for EU.

Fra simulering til fysisk fotonisk hardware

Pilotprojektet bygger videre på en udviklingssti, som Q.ANT indledte med sit softwareudviklingssæt med åben kildekode den 23. september 2026. Denne udgivelse omfattede programmeringsgrænseflader til C og Python, eksempelapplikationer, dokumentation og en CPU-baseret simuleringsbackend. Det nye program giver godkendte brugere mulighed for at overføre disse applikationer til fysiske Native Processing Units (NPU’er). Q.ANT leverer drivere, sin softwarepakke og PyTorch-integration, mens kompatibiliteten med modeller og frameworks afklares under onboarding.

NPU’en udfører ikke-lineære funktioner direkte i det optiske domæne i stedet for at opdele dem i lange sekvenser af digitale trin på konventionelle transistorbaserede chips. Q.ANT oplyser, at denne tilgang kan give tilsvarende eller bedre resultater med færre parametre, operationer og ressourcer. De arbejdsbelastninger, der accepteres, omfatter industriel billedanalyse, tidsserieprognoser, videnskabelige simuleringer og robotteknologi samt inferens med store sprogmodeller og grundmodeller, fysisk AI og verdensmodeller.

På Q.ANTs side om pilotprojektet oplyses det, at billedbehandling kræver 40 % færre parametre og tidsserieprognoser 65 % færre ved samme nøjagtighed. Det lukkede betaprojekt er tilrettelagt, så resultaterne kan afprøves med brugernes egne data og software. Denne bredde i arbejdsbelastninger giver Q.ANT mulighed for at fastslå, hvor optisk ikke-lineær databehandling er nyttig ud over virksomhedens oprindelige forskningsanvendelser.

En struktureret evaluering af kommerciel anvendelse

Efter gennemgang af ansøgningen og en videosamtale modtager deltagerne vejledninger, kodeeksempler og dokumentation. Derefter følger gennemgange af arbejdsbelastningerne og tilpasninger af testens fokus. På en afsluttende workshop gennemgås målinger af energiforbrug og ydeevne, egnethed til produktion og en mulig næste fase. Deltagerne bevarer ejerskabet til deres arbejdsbelastninger, data og resultater, som forbliver fortrolige. Kun aggregeret, anonymiseret indsigt fra drøftelserne indgår i udviklingen af processoren og platformen.

Pilotprojektet følger efter den kommercielle aftale af 19. maj 2026, som gjorde IONOS til den første kommercielle kunde for Q.ANTs Native Processing Server. Q.ANT positionerer NPU’en som en medprocessor til bestemte AI-arbejdsbelastninger, der bruges sammen med CPU’er og GPU’er, snarere end som en fuldstændig erstatning for GPU’er. Det lukkede betaprojekt føjer derfor en kundestyret evaluering til et eksisterende kommercielt forhold i stedet for at etablere selve partnerskabet.

Uafhængige tests viser gevinster og begrænsninger

En evaluering fra 21. april 2026 foretaget af Leibniz Supercomputing Centre udgør et uafhængigt sammenligningsgrundlag. LRZ testede begge NPU-generationer på AI-opgaver og opgaver inden for højtydende databehandling (HPC) og rapporterede, at andengenerationschips i bedste fald kørte op til 50 gange hurtigere, med en 25-dobling af hastigheden inden for billedgenkendelse ved brug af et foldningsneuralt netværk. For typiske HPC-arbejdsbelastninger faldt strømforbruget med cirka 50 % til 84 % fra første til anden generation, afhængigt af beregningernes kompleksitet.

Evalueringen pegede også på begrænsninger, der er relevante for pilotprojektet. Medprocessorerne kan ikke udføre alle operationer optisk og skal løbende udveksle data med klassiske processorer. Energieffektiviteten er størst, når beregningerne forbliver på den optiske enhed, hvilket gør dataflytning til en central designbegrænsning. Det analoge system konverterer data med 16-bit-præcision og skal tage højde for fotodetektorstøj. Mere præcise resultater kræver, at komplekse opgaver opdeles i flere operationer, samt mere avancerede softwareværktøjer. LRZ-forskere vurderede, at chipsene kan være klar til brug i AI-klynger efter yderligere en eller to udviklingscyklusser.

Pilotprojektet lægger nu disse spørgsmål i hænderne på kunderne: Om de rapporterede gevinster holder ved virkelige arbejdsbelastninger, dataflytning og softwarebegrænsninger, vil afgøre, hvor fotonisk medprocessering passer ind ved siden af CPU’er og GPU’er i produktionsinfrastruktur til AI.