Q.ANT startet Pilotprojekt für photonische KI-Hardware auf IONOS-Bare-Metal-Servern

Q.ANT kündigte an, dass ausgewählte Bewerber ab dem 9. November 2026 ihre eigenen KI-Workloads auf dem photonischen Prozessor der zweiten Generation testen können. Dafür stehen dedizierte IONOS-Bare-Metal-Server in Deutschland bereit. Das kostenlose, geschlossene Beta-Pilotprojekt soll kommerzielle Einsatzmöglichkeiten ermitteln.

Das Programm richtet sich ausschließlich an Teilnehmer mit einem konkreten Anwendungsfall und ausreichender Erfahrung, um einen Bare-Metal-Server eigenständig zu verwalten. IONOS richtet jedes System manuell ein; der Root-Zugriff erfolgt über SSH, optional steht eine KVM-Konsole zur Verfügung. Die Dokumentation zum Pilotprojekt beschreibt das ISO-27001-zertifizierte Hosting in Deutschland als konform mit dem Datenschutzregime der DSGVO und als souverän innerhalb der EU.

Von der Simulation zur photonischen Hardware

Das Pilotprojekt baut auf einem Entwicklungsweg auf, den Q.ANT am 23. September 2026 mit seinem Open-Source-Softwareentwicklungskit eingeschlagen hat. Diese Veröffentlichung umfasste Programmierschnittstellen für C und Python, Beispielanwendungen, Dokumentation und ein CPU-basiertes Simulations-Backend. Mit dem neuen Programm können zugelassene Nutzer diese Anwendungen auf physische Native Processing Units (NPUs) übertragen. Q.ANT stellt Treiber, seinen Software-Stack und die PyTorch-Integration bereit; die Kompatibilität mit Modellen und Frameworks wird während der Aufnahme ins Programm geklärt.

Die NPU führt nichtlineare Funktionen direkt im optischen Bereich aus, statt sie in lange Abfolgen digitaler Schritte auf herkömmlichen, transistorbasierten Chips zu zerlegen. Q.ANT zufolge kann dieser Ansatz mit weniger Parametern, Rechenoperationen und Ressourcen vergleichbare oder bessere Ergebnisse erzielen. Zu den akzeptierten Workloads zählen industrielle Bildverarbeitung, Zeitreihenprognosen, wissenschaftliche Simulationen und Robotik sowie Inferenz mit großen Sprachmodellen und Basismodellen, physische KI und Weltmodelle.

Auf der Seite zum Pilotprojekt gibt Q.ANT an, dass sich bei der Bildverarbeitung 40 % und bei Zeitreihenprognosen 65 % der Parameter einsparen lassen, ohne die Genauigkeit zu beeinträchtigen. Im geschlossenen Betatest sollen diese Ergebnisse mit den eigenen Daten und der Software der Nutzer überprüft werden. Die Bandbreite der Workloads ermöglicht es Q.ANT festzustellen, wo die optische nichtlineare Verarbeitung über die ersten Forschungsanwendungen hinaus nützlich ist.

Eine strukturierte Evaluierung für den kommerziellen Einsatz

Nach der Prüfung der Bewerbung und einem Videogespräch erhalten die Teilnehmer Tutorials, Codebeispiele und Dokumentation. Anschließend werden ihre Workloads überprüft und der Testschwerpunkt angepasst. In einem abschließenden Workshop werden Energie- und Leistungskennzahlen, die Produktionstauglichkeit und eine mögliche nächste Phase untersucht. Die Teilnehmer behalten das Eigentum an ihren Workloads, Daten und Ergebnissen, die vertraulich bleiben. In die Weiterentwicklung des Prozessors und der Plattform fließen ausschließlich zusammengefasste, anonymisierte Erkenntnisse aus den Gesprächen ein.

Das Pilotprojekt folgt auf die kommerzielle Vereinbarung vom 19. Mai 2026, durch die IONOS zum ersten kommerziellen Kunden für Q.ANTs Native Processing Server wurde. Q.ANT positioniert die NPU als Koprozessor für bestimmte KI-Workloads, der neben CPUs und GPUs eingesetzt wird, und nicht als vollständigen Ersatz für GPUs. Der geschlossene Betatest ergänzt somit eine bestehende Geschäftsbeziehung um von Kunden durchgeführte Evaluierungen, anstatt die Partnerschaft erst zu begründen.

Unabhängige Tests zeigen Vorteile und Einschränkungen

Eine Evaluierung vom 21. April 2026 des Leibniz-Rechenzentrums bietet einen unabhängigen Vergleichswert. Das LRZ testete beide NPU-Generationen mit KI- und High-Performance-Computing-Aufgaben (HPC) und berichtete, dass die Chips der zweiten Generation im besten Fall bis zu 50-mal schneller waren. Bei der Bilderkennung mit einem Faltungsneuronalen Netz wurde eine 25-fache Beschleunigung erzielt. Je nach Rechenkomplexität sank der Stromverbrauch bei typischen HPC-Workloads von der ersten zur zweiten Generation um etwa 50 bis 84 %.

Die Evaluierung zeigte auch Einschränkungen auf, die für das Pilotprojekt relevant sind. Die Koprozessoren können nicht jede Operation optisch ausführen und müssen kontinuierlich Daten mit klassischen Prozessoren austauschen. Die Energieeffizienz ist am höchsten, wenn die Berechnungen auf der optischen Einheit bleiben; dadurch wird der Datentransfer zu einer zentralen Designbeschränkung. Das analoge System verarbeitet Daten mit einer Genauigkeit von 16 Bit und muss das Rauschen der Fotodetektoren berücksichtigen. Für genauere Ergebnisse müssen komplexe Aufgaben auf mehrere Operationen verteilt und anspruchsvollere Softwarewerkzeuge eingesetzt werden. Die LRZ-Forscher schätzten, dass die Chips nach ein oder zwei weiteren Entwicklungszyklen für den Einsatz in KI-Clustern bereit sein könnten.

Mit dem Pilotprojekt können Kunden nun selbst prüfen, ob sich die berichteten Vorteile auch bei realen Workloads sowie angesichts der Einschränkungen durch Datentransfer und Software bewähren. Davon hängt ab, wo photonische Koprozessoren neben CPUs und GPUs in der produktiven KI-Infrastruktur eingesetzt werden können.