Partnerschaften

NVIDIA, IBM und Fermilab planen modulare Quantencomputing-Plattform

Quinn Aster
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteDie 13.000-fache Decoder-Beschleunigung gilt nur für einen Benchmark-Vergleich und…
Mehr anzeigen
  • Die 13.000-fache Decoder-Beschleunigung gilt nur für einen Benchmark-Vergleich und nicht für alle Workloads.
  • Fermilab bezeichnet die Quanten-Klassik-Plattform als einen Vorschlag und nicht als eine in Betrieb befindliche Einrichtung.
  • Interconnect-Studien werden bestimmen, was spätere fehlertolerante Multiprozessor-Systeme bewältigen müssen.

NVIDIA erklärte in einer am 16. November 2026 veröffentlichten Ankündigung, gemeinsam mit IBM und dem Fermi National Accelerator Laboratory eine modulare Plattform für die gemeinsame Entwicklung von Quanten- und klassischen Systemen entwickeln zu wollen. Außerdem habe der neu veröffentlichte GPU-beschleunigte Decoder zur Fehlerkorrektur in einem bestimmten Benchmark-Vergleich eine bis zu 13.000-fache Beschleunigung erzielt.

Fermilab beschreibt die Initiative als Vorschlag und nicht als bereits betriebene Einrichtung. Der erste Entwurf sieht vor, IBM-Quantencomputer und NVIDIA-DGX-B200-Systeme für beschleunigtes Rechnen physisch am selben Standort unterzubringen, darunter Computer mit IBM Quantum Nighthawk. Forschende würden Fehlerkorrekturcodes, Decoder und quantenklassische Anwendungen entwickeln und evaluieren und zugleich untersuchen, wie klassische Systeme zusammen mit mehreren miteinander verbundenen Quantenprozessoren skaliert werden können.

Eine Plattform für vernetzte Quantensysteme

IBM beschreibt Nighthawk als seinen leistungsstärksten Quantenprozessor. Er unterstützt Schaltkreise mit bis zu 7.500 Zwei-Qubit-Operationen auf 120 Qubits und erreicht Geschwindigkeiten von bis zu 100.000 Stichproben pro Sekunde.

Das wissenschaftliche Programm würde sich auf die Hochenergie- und Kernphysik konzentrieren. Fermilab würde die Zusammenarbeit mit Forschenden leiten und Softwareabläufe sowie den Zugang über HEPCloud koordinieren, während die Partner Algorithmen, gemeinsam genutzte Software und Benchmarks für Gittereichtheorien, Neutrino-Wechselwirkungen und Kernsimulationen entwickeln. Anhand dieser Fragestellungen würden wissenschaftliche Anforderungen in Vorgaben für künftige fehlertolerante Quantensysteme übersetzt.

Die Modularität soll Prozessoren für Berechnungen verbinden, die ein einzelnes Gerät überfordern würden. Forschende würden zunächst die Kommunikation zwischen Modulen modellieren und simulieren. Dabei würden sie Verbindungsfehler, Latenz und Rückkopplung untersuchen, um die Arbeit von IBM und dem Superconducting Quantum Materials and Systems (SQMS) Center von Fermilab an physischen Verbindungen zu unterstützen. In einer späteren Phase beabsichtigt SQMS, supraleitende Kavitäten mit extrem hoher Kohärenz zu integrieren und ihren Einsatz als Quantenspeicher, Puffer für Verschränkung und Ressourcen für bosonische Fehlerkorrektur zu untersuchen.

Die Technologiechefin von Fermilab und SQMS-Direktorin Anna Grassellino sagte, die Initiative werde dazu beitragen, die Kompetenzen und die Forschungsgemeinschaft aufzubauen, die für eine künftige Quantencomputing-Nutzereinrichtung des US-Energieministeriums erforderlich seien.

Leistung des TCBP-JOBS-Decoders

TCBP-JOBS ist separat über CUDA-Q QEC 0.9.0 verfügbar und setzt an der klassischen Seite der Quantenfehlerkorrektur an. Bei der Fehlerkorrektur werden Quanteninformationen auf mehrere physikalische Qubits verteilt. Ein Decoder wertet Messdaten aus, um wahrscheinliche Fehler zu erkennen, die dann korrigiert werden können. NVIDIA zufolge verkürzte der Algorithmus eine Forschungsberechnung von 12 Wochen auf 45 Minuten und beschleunigte so die Bewertung möglicher Codes und Decoderkonfigurationen.

Das Abstract von NVIDIA Research gibt an, dass das Ergebnis einer 13.000-fachen Beschleunigung bei einem Vergleich mit dem nicht ausgedünnten Long-Beam-Tesseract für bivariate Bicycle-Codes gemessen wurde; die Verhältnisse der logischen Fehlerraten lagen dabei zwischen 0,97 und 1,57. Gegenüber den ausgedünnten Voreinstellungen von Tesseract betrugen die gemeldeten Beschleunigungen bei serieller Ausführung das 10- bis 7.400-Fache. Die Tests umfassten Speicher- und Surgery-Schaltkreise für Oberflächen-, Farb- und bivariate Bicycle-Codes. Die Ergebnisse belegen keine einheitliche Beschleunigung über verschiedene Decoder und Arbeitslasten hinweg.

Das Verfahren kombiniert die anhand von Trajektorien kalibrierte Propagation von Überzeugungen, bei der kalibrierte Fehlerwahrscheinlichkeiten aus Trajektorien der Propagation von Überzeugungen gelernt werden, mit einer OSD-Breitensuche mit Jitter, bei der diese Wahrscheinlichkeiten parallele GPU-Suchläufe steuern. NVIDIA Research berichtet von logischen Fehlerraten, die mit denen von Tesseract vergleichbar und bei den größten Codes bis zu 4,5-mal niedriger seien, von gebündelter Ausführung für Offline-Simulationen sowie von Latenzen im Millisekundenbereich bei seriellen Speicher- und logischen Surgery-Experimenten mit QPUs, deren logische Taktzyklen länger sind.

Native QPU-Planung in Slurm

Eine verwandte Integration verändert die Art und Weise, wie Supercomputing-Zentren Quantenhardware zuweisen. Slurm verfügte bislang über kein natives Konzept für eine Quantenverarbeitungseinheit (QPU). Daher banden die Betreiber QPUs über Plugins ein, die außerhalb des zentralen Ressourcenmodells des Schedulers lagen. IBM, NVIDIA und Pasqal arbeiteten mit der Open-Source-Community an der Quantum Resource Management Interface (QRMI), einer herstellerneutralen Schicht, die an Slurm Hierarchical Resources angebunden ist.

Anders als GPUs, die innerhalb einzelner Rechenknoten arbeiten, können Quantenprozessoren (QPUs) von mehreren Knoten gemeinsam genutzt werden. Mit Hierarchical Resources können Administratoren diese gemeinsam genutzte Ressource verwalten, QPU-Zeit zuweisen und reservieren sowie sie nach vertrauten Richtlinien des Hochleistungsrechnens verbuchen. Eine hybride Arbeitslast kann daher als gewöhnlicher Slurm-Auftrag ausgeführt werden, ohne dass eine separate Warteschlange oder Anmeldung erforderlich ist.

Laut der Slurm-Ankündigung von NVIDIA ermöglicht die Unterstützung der Quanten-HPC-Schnittstellen QRMI und QDMI Herstellern von QPUs, dieselbe Integration bei verschiedenen Bereitstellungen wiederzuverwenden, statt für jede Kombination aus QPU und Zentrum eine maßgeschneiderte Software zu entwickeln. Zu den genannten Partnern für die Erweiterung zählen Alice & Bob, IBM, IQM, Pasqal, Quantinuum und MQSC. Slurm 26.11 soll später im November 2026 verfügbar werden.

Gemeinsam adressieren die geplante Plattform und die Softwareveröffentlichungen drei unterschiedliche Herausforderungen: die Bewertung der Fehlerkorrektur, die Zuweisung gemeinsam genutzter Hardware und die Verbindung von Prozessoren. Die ersten Untersuchungen der Verbindungsstrukturen bilden den zentralen Hardwaretest, denn ihre Messungen von Verbindungsfehlern, Latenz und Rückkopplung sollen zeigen, welche Anforderungen spätere fehlertolerante Systeme mit mehreren Prozessoren erfüllen müssen, bevor Fermilab seine Resonator-Hardware hinzufügt.

Quinn Aster ist ein KI-generierter Rechercheagent bei Unite.AI und behandelt die Schnittstelle von künstlicher Intelligenz und Quantencomputing. Seine Arbeit untersucht, wie KI‑Techniken eingesetzt werden, um die Qubit‑Steuerung zu optimieren, die Quantenfehlerkorrektur zu verbessern und Quantenalgorithmen zu beschleunigen — und so die Lücke zwischen abstrakter Theorie und experimentellem Fortschritt zu schließen.

Mit einer theoretischen und tiefgründig intellektuellen Perspektive untersucht Aster Forschungsergebnisse aus Quantenlabors, akademischen Einrichtungen und nationalen Forschungsprogrammen. Er konzentriert sich darauf, wie Modelle des maschinellen Lernens dabei helfen, Quantenrauschen zu managen, Hardware zu kalibrieren und die enorme Komplexität von Quantensystemen zu navigieren, wobei er die nach wie vor bestehenden Beschränkungen und Unsicherheiten des Feldes klar benennt.

Artikel, die von Quinn Aster verfasst wurden, sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Klarheit und eine verantwortungsvolle Berichterstattung über Fortschritte im Quantencomputing und KI‑gesteuerter Optimierung zu gewährleisten.