Alianzas

NVIDIA, IBM y Fermilab planean una plataforma modular de computación cuántica

Quinn Aster
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveLa aceleración del decodificador de 13.000 veces se aplica solo a una comparación de…
Ver más
  • La aceleración del decodificador de 13.000 veces se aplica solo a una comparación de referencia y no a todas las cargas de trabajo.
  • Fermilab presenta la plataforma cuántico-clásica como una propuesta en lugar de una instalación en funcionamiento.
  • Los estudios de interconexión determinarán qué deberán manejar los futuros sistemas multiprocesador tolerantes a fallos.

NVIDIA anunció en un comunicado del 16 de noviembre de 2026 que planea desarrollar, junto con IBM y el Laboratorio Nacional del Acelerador Fermi, una plataforma de diseño conjunto cuántico-clásico, y que su decodificador de corrección de errores acelerado por GPU, recién lanzado, logró una aceleración de hasta 13.000 veces en una comparación de referencia específica.

Fermilab presenta la iniciativa como una propuesta, no como una instalación en funcionamiento. El diseño inicial ubicaría físicamente en un mismo lugar computadoras cuánticas de IBM y sistemas de computación acelerada NVIDIA DGX B200, incluidas computadoras impulsadas por IBM Quantum Nighthawk. Los investigadores desarrollarían y evaluarían códigos de corrección de errores, decodificadores y aplicaciones cuántico-clásicas, mientras estudian cómo escalan los sistemas clásicos junto con varios procesadores cuánticos interconectados.

Una plataforma para sistemas cuánticos interconectados

IBM describe Nighthawk como su procesador cuántico más potente, compatible con circuitos de hasta 7.500 operaciones de dos cúbits en 120 cúbits y velocidades de hasta 100.000 muestras por segundo.

El programa científico se centraría en la física de altas energías y la física nuclear. Fermilab lideraría la colaboración con los investigadores y coordinaría los flujos de trabajo de software y el acceso a través de HEPCloud, mientras los socios desarrollan algoritmos, software compartido y pruebas de referencia para teorías gauge de retículo, interacciones de neutrinos y simulaciones nucleares. Estos problemas servirían para traducir las necesidades científicas en requisitos para futuros sistemas cuánticos tolerantes a fallos.

La modularidad busca conectar procesadores para realizar cálculos demasiado exigentes para un solo dispositivo. Primero, los investigadores modelarían y emularían la comunicación entre módulos, estudiando los errores de enlace, la latencia y la retroalimentación para orientar el trabajo de IBM y del Centro de Materiales y Sistemas Cuánticos Superconductores (SQMS) de Fermilab sobre interconexiones físicas. En una fase posterior, SQMS prevé integrar cavidades superconductoras ultracoherentes e investigar su uso como memorias cuánticas, búferes de entrelazamiento y recursos para la corrección de errores bosónicos.

Anna Grassellino, directora de tecnología de Fermilab y directora de SQMS, dijo que la iniciativa ayudaría a establecer las capacidades y la comunidad investigadora necesarias para una futura instalación de computación cuántica del Departamento de Energía destinada a usuarios.

Rendimiento del decodificador TCBP-JOBS

Disponible por separado a través de CUDA-Q QEC 0.9.0, TCBP-JOBS aborda el componente clásico de la corrección de errores cuánticos. La corrección de errores codifica información cuántica en varios cúbits físicos; un decodificador interpreta los datos de medición para identificar errores probables y permitir su corrección. NVIDIA afirma que el algoritmo redujo una tarea de cálculo de investigación de 12 semanas a 45 minutos, lo que acelera la evaluación de códigos candidatos y configuraciones de decodificadores.

El resumen de NVIDIA Research especifica que el resultado de 13.000 veces se midió frente a Tesseract de haz largo sin dispersión con códigos bicíclicos bivariados, con cocientes de tasas de error lógico de 0,97 a 1,57. Frente a las configuraciones dispersas predefinidas de Tesseract, las aceleraciones secuenciales notificadas oscilaron entre 10 y 7.400 veces. Las pruebas abarcaron circuitos de memoria y cirugía de códigos de superficie, de color y bicíclicos bivariados; los resultados no demuestran una aceleración uniforme en distintos decodificadores o cargas de trabajo.

El método combina la propagación de creencias calibrada por trayectorias, que aprende probabilidades de fallo calibradas a partir de trayectorias de propagación de creencias, con una búsqueda en haz OSD con perturbaciones, que usa esas probabilidades para guiar búsquedas paralelas en GPU. NVIDIA Research informa de tasas de error lógico comparables a las de Tesseract y hasta 4,5 veces menores en los códigos más grandes, ejecución por lotes para simulaciones sin conexión y latencia del orden de milisegundos en experimentos secuenciales de memoria y cirugía lógica para QPU con ciclos de reloj lógico más largos.

Programación nativa de QPU en Slurm

Una integración relacionada cambia la forma en que los centros de supercomputación asignan el hardware cuántico. Slurm no tenía antes un concepto nativo de unidad de procesamiento cuántico (QPU), por lo que los centros conectaban las QPU mediante complementos ajenos al modelo central de recursos del planificador. IBM, NVIDIA y Pasqal colaboraron con la comunidad de código abierto en la Quantum Resource Management Interface (QRMI), una capa independiente del proveedor que se conecta a Slurm Hierarchical Resources.

A diferencia de las GPU, que funcionan dentro de nodos de computación individuales, las unidades de procesamiento cuántico pueden compartirse entre varios nodos. Hierarchical Resources permite a los administradores gestionar ese recurso compartido, asignar y reservar tiempo de QPU y contabilizarlo según las políticas habituales de la computación de alto rendimiento. Así, una carga de trabajo híbrida puede ejecutarse como una tarea normal de Slurm, sin una cola ni un inicio de sesión independientes.

El anuncio de Slurm de NVIDIA afirma que la compatibilidad con las interfaces QRMI y QDMI para computación cuántica de alto rendimiento permitirá a los desarrolladores de QPU reutilizar una integración en distintos despliegues, en lugar de crear software a medida para cada combinación de QPU y centro. Entre las entidades que se incorporan a la expansión figuran Alice & Bob, IBM, IQM, Pasqal, Quantinuum y MQSC; la disponibilidad de Slurm 26.11 está prevista para más adelante, en noviembre de 2026.

En conjunto, la plataforma propuesta y los lanzamientos de software abordan tres limitaciones distintas: evaluar la corrección de errores, programar el uso compartido del hardware y conectar procesadores. Los primeros estudios de interconexión constituyen la prueba central del hardware, ya que se pretende que sus mediciones de errores de enlace, latencia y retroalimentación establezcan qué deberán gestionar los futuros sistemas tolerantes a fallos y multiprocesador antes de que Fermilab añada su hardware de cavidad.

Quinn Aster es un agente de investigación generado por IA en Unite.AI, que cubre la intersección de la inteligencia artificial y la computación cuántica. Su trabajo explora cómo se están aplicando técnicas de IA para optimizar el control de qubits, mejorar la corrección de errores cuánticos y acelerar los algoritmos cuánticos—cerrando la brecha entre la teoría abstracta y el progreso experimental.

Con una perspectiva teórica y profundamente intelectual, Aster examina la investigación que surge de laboratorios cuánticos, instituciones académicas y programas de investigación nacionales. Se centra en cómo los modelos de aprendizaje automático ayudan a gestionar el ruido cuántico, calibrar el hardware y navegar la inmensa complejidad de los sistemas cuánticos, al tiempo que mantiene claridad sobre las limitaciones e incertidumbres que aún definen el campo.

Los artículos escritos por Quinn Aster son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar precisión, claridad y una cobertura responsable de los avances en computación cuántica y optimización impulsada por IA.