Kvanttilaskenta

NVIDIA simuloi ennätyksellisen 104 kubitin vikasietoisen protokollan JUPITERissä

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

NVIDIA ilmoitti 19. lokakuuta 2026 ennätykselliseksi kuvaamastaan kvanttilaskennan simulaatiosta JUPITERissä, Euroopan ensimmäisessä eksaskaalan supertietokoneessa. Simulaatiossa suoritettiin 104 kubitin ajo 8 192 NVIDIA GH200 -grafiikkasuorittimella Jülich Supercomputing Centressä. Siinä mallinnettiin, miten realistinen kvanttiprosessori suorittaa vikasietoista laskentaa.

Mitä NVIDIA sanoo ajon osoittavan

NVIDIA kuvailee 104 kubitin simulaatiota tähän mennessä suurimmaksi kattavaksi vikasietoisen kvanttiprosessorin simulaatioksi ja sanoo, ettei aiemmissa simulaatioissa ole mallinnettu kvanttiprosessoreita yhtä yksityiskohtaisesti. Yhtiön mukaan ajo osoittaa maagisten tilojen kasvatuksen toimivuuden. Kyseessä on vikasietoisen kvanttilaskennan lähestymistapa, joka vaatii 90 % vähemmän fyysisiä kubitteja kuin aiemmat menetelmät. NVIDIA sanoi, että näin tarkat simulaatiot antavat tutkijoille tarvittavat tiedot tulevien mallien suorituskyvyn ennustamiseen ennen niiden rakentamista, mikä vähentää riippuvuutta laitteistolla tehtävästä kokeilusta ja erehdyksestä. Yhtiö mainitsi myös simulaatioiden odotettuina sovelluskohteina lääkekehityksen, taloudellisen mallinnuksen ja materiaalitieteen.

”Hyödyllinen kvanttilaskenta edellyttää äärimmäisen monimutkaisia, vikasietoisia järjestelmiä – ja niiden toiminnan ymmärtäminen mittakaavassa on olennaista niiden rakentamisen kannalta”, sanoi NVIDIAn perustaja ja toimitusjohtaja Jensen Huang yrityksen tiedotteessa. Huangin mukaan Jülichin tulokset osoittavat, että kvanttiprosessorit ja GPU-supertietokoneet voivat tehdä yhteistyötä tutkimuksessa, joka muuten olisi niiden ulottumattomissa.

Forschungszentrum Jülichin Jülich Supercomputing Centren johtaja Kristel Michielsen sanoi, että Euroopan investointi JUPITERiin antaa tutkijoille mahdollisuuden tutkia aiemmin tavoittamattomissa olleita kysymyksiä ja että yhteistyö NVIDIAn kanssa tuo tämän mahdollisuuden kvanttilaskennan käyttöön. Hänen mukaansa työ auttaa tutkijoita tekemään paremmin perusteltuja päätöksiä siitä, mitkä mallit todennäköisimmin mahdollistavat hyödylliset sovellukset.

Maagiset tilat, koodit ja realistinen kohinamalli

Kubitteja käytetään fysiikan äärirajoilla, ja niiden hallintaan tarvittavat vuorovaikutukset aiheuttavat väistämätöntä, virheitä synnyttävää kohinaa, NVIDIAn tiedotteessa kerrotaan. Laskenta tällaisen kohinan läsnä ollessa eli vikasietoinen kvanttilaskenta edellyttää maagisia tiloja: tietynlaista kubittien järjestelyä, jota kuluu jatkuvasti vikasietoisen laskennan aikana. Koska vikasietoiset koneet perustuvat maagisten tilojen toistuvaan tuottamiseen, mikä tahansa niiden valmistustavan optimointi vähentää huomattavasti hyödyllisen kvanttitietokoneen rakentamisen vaikeutta.

NVIDIAn CUDA-Q-tiimin teknisessä kirjoituksessa kerrotaan, miksi tällaisten simulaatioiden tekeminen on vaikeaa. Moni kvanttivirheenkorjauksessa käytettävä operaatio on Clifford-operaatio, jonka simulointi on tehokasta sopivilla kohinaa koskevilla oletuksilla. Universaali kvanttilaskenta edellyttää kuitenkin vähintään yhtä muuta ei-triviaalia operaatiota, ja maagiset tilat tuottavat tähän tarvittavan ainesosan. Simuloidussa protokollassa tila valmistellaan pienessä virheenkorjauskoodissa, tarkistetaan virheiden varalta ja kasvatetaan suurempiin koodietäisyyksiin. Protokolla alkaa etäisyyden 3 värikoodilla, käyttää hiljattain suunniteltuja lippumittauksia haitallisten virheiden havaitsemiseen ja siirtyy etäisyyden 7 hybridiseen väri- ja pintakoodikokoonpanoon ennen uusia virheenkorjauskierroksia ja luentaa. Laskettuun 104 kubittiin sisältyvät koko tämän vaihesarjan aikana käytetyt data- ja apukubitit.

Teknisen kirjoituksen mukaan JUPITERissä suoritettu malli sisältää koherentteja vaihevirheitä, jotka voivat kasautua ja häiritä toisiaan, sekä vuotoa, jossa suprajohtava kubitti poistuu tavanomaisista kahdesta laskentatilastaan. Valituissa fyysisissä sijainneissa mallinnetaan kolmatta energiatasoa, mikä kasvattaa simulaation monimutkaisuutta huomattavasti. Näiden mekanismien ansiosta tutkijat voivat tarkastella toimintaa laajemmin kuin satunnaisten bitti- ja vaiheenkääntöjen mallin avulla, mutta samalla mallissa säilytetään maagisen tilan valmistavat todelliset ei-Clifford-operaatiot.

Työ eroaa aiemmasta Jülichin tutkimuksesta, jossa simuloitiin 50 kubittia ihanteellisissa, kohinattomissa olosuhteissa. Forschungszentrum Jülich ilmoitti 11. marraskuuta 2025, että Jülichin tiimi oli simuloinut yhdessä NVIDIAn asiantuntijoiden kanssa kokonaisuudessaan universaalin 50 kubitin kvanttitietokoneen JUPITERissä. Superkone vihittiin käyttöön Forschungszentrum Jülichissä syyskuussa 2025, ja simulaatio ylitti 48 kubitin ennätyksen, jonka Jülichin tutkijat olivat tehneet Japanin K-tietokoneella vuonna 2019. Tiedotteessa huomautettiin, että jokainen lisäkubitti kaksinkertaistaa laskenta- ja muistivaatimukset, joten 50 kubitin simulaatio vaatii noin 2 petatavua muistia.

Kehitysklusterista 8 192 grafiikkasuorittimeen

Koska muistivaatimukset kasvavat eksponentiaalisesti kubittien määrän kasvaessa, laajamittaiset simulaatiot eivät ole tavanomaisten tietojenkäsittelyjärjestelmien ulottuvilla, NVIDIA sanoi. JUPITER-hankkeen kehitysalustana toimi NVIDIA GB200 NVL72 -järjestelmä NVIDIA Accelerated Quantum Research Centerissä. Sen avulla tutkijat pystyivät kasvattamaan testien kokoa neljästä GPU:sta satoihin ennen siirtymistä JUPITERin 8 192 GPU:hun. JUPITERin rakensi Bull. Tiimi käytti keskusta simulaatiomenetelmien kehittämiseen, tulosten vertailuun JUPITERin kanssa ja sen tutkimiseen, miten tarkkuus parani laskentaresurssien lisääntyessä. NVIDIAn mukaan tämän työn ansiosta viikkoja kestänyt simulaatiotyö saatiin tehtyä päivissä.

Teknisessä blogikirjoituksessa kuvataan suorituksen taustalla olevaa teknistä toteutusta. Simulaattori järjestää operaatiot uudelleen säilyttäen niiden keskinäiset riippuvuudet ja mittaustilastot, ja se käyttää tallennustilaa uudelleen kubittien mittaamisen ja vapauttamisen yhteydessä. Se pakkaa kolmitasoisten järjestelmien ryhmät binäärimuotoon, jota cuQuantumin cuStateVec-kirjasto pystyy käsittelemään: viidellä kolmitasoisella järjestelmällä on 243 kantatilaa, ja ne mahtuvat kahdeksaan binääriseen tallennusbittiin, joilla voidaan esittää 256 alkiota. 8 192 GPU:n kokoonpanossa 45-bittinen koodattu rekisteri edustaa noin 35,2 biljoonaa kompleksista amplitudia, ja kaksinkertaisella tarkkuudella pelkkä tila vie 512 TiB hajautettua GPU-muistia eli 64 GiB GPU:ta kohden.

Simulaatiot suoritettiin NVIDIA cuQuantum -ohjelmistolla ja CUDA-Q-alustan vikasietoisella loogisella kerroksella, jolla maagisten tilojen piiri kuvattiin. Hankkeessa kehitettiin myös hajautettuja faktorisointityökaluja NVIDIA cuBLASMp:n ja cuSOLVERMp:n avulla. Työkalut tarkastelevat tallennetun tilan valittuja osioita selvittääkseen, kuinka paljon tietoa tiiviimmän esitysmuodon on säilytettävä. Näin luodaan keino testata likimääräisiä simulointimenetelmiä yksityiskohtaista tilavektorivertailukohtaa vasten.

Tutkimuskeskuksessa tehdyissä pienissä pakattujen piirien validointitesteissä riippumattomat tilavektori- ja tensoriverkkolaskelmat tuottivat mittaustodennäköisyyksille yhtenevät tulokset noin 10⁻¹³:n tarkkuudella, kun tensoriverkon katkaisukynnystä tiukennettiin, tutkimusryhmä kertoi. Pienemmät ajot toimivat mittapuuna GPU-tarpeiden ja GPU-tuntibudjettien arvioinnissa ennen supertietokoneen laskenta-ajan varaamista. Ryhmän mukaan sama lähestymistapa voi tukea tulevia tutkimuksia, joissa käytetään erilaisia vuotomalleja, piirien aikatauluja ja virheenkorjausprotokollia. Kukin niistä voidaan ensin tarkistaa hallittavan kokoisessa mittakaavassa ennen laajentamista suurempiin kokoonpanoihin.

Theo Nash on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa AI‑infrastruktuurin, laskennan ja laitteistojärjestelmät, jotka mahdollistavat modernin tekoälyn. Hänen työnsä keskittyy suurten AI‑työkuormien teknisiin perusteisiin, mukaan lukien datakeskukset, kiihdyttimet, tietoverkot ja ohjelmistopinot, jotka yhdistävät ne yhteen.

Analyyttisesta ja tekniikkavetoisesta näkökulmasta Theo tarkastelee, miten GPU:iden, räätälöidyn piisirun, muistirakenteiden ja hajautettujen järjestelmien edistysaskeleet mahdollistavat uudet AI‑mallien sukupolvet. Hän kiinnittää erityistä huomiota suorituskyvyn kompromisseihin, energiatehokkuuteen, skaalautuvuuteen ja käytännön rajoitteisiin, jotka muovaavat AI‑infrastruktuurin todellista käyttöönottoa.

Theo Nashin kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen teknisen tarkkuuden, selkeyden ja vastuullisen kattavuuden nopeasti kehittyvässä AI‑laskentaympäristössä.