Partenariats

NVIDIA, IBM et Fermilab prévoient une plateforme modulaire d’informatique quantique

Quinn Aster
Ajouter Unite.AI à vos sources préférées sur Google
Points clésL'accélération du décodeur de 13 000 fois ne s'applique qu'à une seule comparaison de…
Voir plus
  • L'accélération du décodeur de 13 000 fois ne s'applique qu'à une seule comparaison de référence plutôt qu'à toutes les charges de travail.
  • Fermilab présente la plateforme quantique-classique comme une proposition plutôt que comme une installation en fonctionnement.
  • Les études d'interconnexion détermineront ce que les futurs systèmes multiprocesseurs tolérants aux pannes devront gérer.

Dans une annonce du 16 novembre 2026, NVIDIA a déclaré prévoir de développer avec IBM et le Fermi National Accelerator Laboratory une plateforme de co-conception modulaire quantique-classique. L’entreprise a également indiqué que son nouveau décodeur de correction d’erreurs accéléré par GPU avait atteint une accélération pouvant aller jusqu’à 13 000 fois dans une comparaison de référence spécifique.

Fermilab présente cette initiative comme un projet, et non comme une installation en activité. Dans sa conception initiale, des ordinateurs quantiques IBM seraient installés physiquement aux côtés de systèmes de calcul accéléré NVIDIA DGX B200, notamment des ordinateurs équipés d’IBM Quantum Nighthawk. Les chercheurs développeraient et évalueraient des codes de correction d’erreurs, des décodeurs et des applications quantiques-classiques, tout en étudiant la manière dont les systèmes classiques peuvent évoluer parallèlement à plusieurs processeurs quantiques interconnectés.

Une plateforme pour des systèmes quantiques interconnectés

IBM décrit Nighthawk comme son processeur quantique le plus puissant, capable de prendre en charge des circuits comptant jusqu’à 7 500 opérations à deux qubits sur 120 qubits et d’atteindre une vitesse de traitement allant jusqu’à 100 000 échantillons par seconde.

Le programme scientifique serait axé sur la physique des hautes énergies et la physique nucléaire. Fermilab dirigerait les échanges avec les chercheurs et coordonnerait les flux de travail logiciels ainsi que l’accès par l’intermédiaire de HEPCloud, tandis que les partenaires élaboreraient des algorithmes, des logiciels partagés et des bancs d’essai pour les théories de jauge sur réseau, les interactions des neutrinos et les simulations nucléaires. Ces problèmes serviraient à traduire les besoins scientifiques en exigences pour les futurs systèmes quantiques tolérants aux pannes.

La modularité vise à relier des processeurs pour effectuer des calculs trop exigeants pour un seul appareil. Les chercheurs commenceraient par modéliser et simuler les communications entre modules, en étudiant les erreurs de liaison, la latence et le retour d’information afin d’orienter les travaux d’IBM et du centre Superconducting Quantum Materials and Systems (SQMS) de Fermilab sur les interconnexions physiques. Lors d’une phase ultérieure, le SQMS prévoit d’intégrer des cavités supraconductrices à cohérence ultralongue et d’étudier leur utilisation comme mémoires quantiques, tampons d’intrication et ressources pour la correction d’erreurs bosoniques.

Anna Grassellino, directrice de la technologie de Fermilab et directrice du SQMS, a déclaré que cette initiative contribuerait à mettre en place les capacités et la communauté de recherche nécessaires à un futur centre utilisateur d’informatique quantique du département de l’Énergie des États-Unis.

Performances du décodeur TCBP-JOBS

Disponible séparément avec CUDA-Q QEC 0.9.0, TCBP-JOBS s’attaque au volet classique de la correction d’erreurs quantiques. La correction d’erreurs répartit l’information quantique sur plusieurs qubits physiques ; un décodeur interprète les données de mesure pour repérer les erreurs probables et permettre leur correction. Selon NVIDIA, l’algorithme a réduit la durée d’un calcul de recherche, qui est passée de 12 semaines à 45 minutes, accélérant ainsi l’évaluation des codes candidats et des configurations de décodeur.

Le résumé de NVIDIA Research précise que le résultat de 13 000 fois a été mesuré par rapport à Tesseract à faisceau long sans parcimonie, avec des codes bivariés de type bicycle, pour des rapports de taux d’erreur logique compris entre 0,97 et 1,57. Par rapport aux préréglages avec parcimonie de Tesseract, les accélérations séquentielles rapportées allaient de 10 à 7 400 fois. Les tests portaient sur des circuits de mémoire et de chirurgie logique utilisant des codes de surface, des codes couleur et des codes bivariés de type bicycle ; les résultats ne démontrent pas une accélération uniforme pour tous les décodeurs ou toutes les charges de travail.

La méthode combine la propagation de croyances calibrée par trajectoire, qui apprend des probabilités de défaillance calibrées à partir des trajectoires de propagation de croyances, et la recherche par faisceau OSD avec perturbations, qui s’appuie sur ces probabilités pour orienter des recherches parallèles sur GPU. NVIDIA Research fait état de taux d’erreur logique comparables à ceux de Tesseract, et jusqu’à 4,5 fois inférieurs pour les codes de plus grande taille, d’une exécution par lots pour les simulations hors ligne et d’une latence de l’ordre de la milliseconde lors d’expériences séquentielles de mémoire et de chirurgie logique sur des processeurs quantiques (QPU) dotés de cycles d’horloge logiques plus longs.

Planification native des QPU dans Slurm

Une intégration connexe modifie la manière dont les centres de supercalcul répartissent les ressources matérielles quantiques. Slurm ne disposait auparavant d’aucun concept natif d’unité de traitement quantique (QPU) ; les sites reliaient donc les QPU au moyen de modules d’extension extérieurs au modèle de ressources central de l’ordonnanceur. IBM, NVIDIA et Pasqal ont collaboré avec la communauté du logiciel libre sur le Quantum Resource Management Interface (QRMI), une couche indépendante des fournisseurs qui se connecte aux ressources hiérarchiques de Slurm.

Contrairement aux GPU, qui fonctionnent au sein de nœuds de calcul individuels, les processeurs quantiques peuvent être partagés entre plusieurs nœuds. Les ressources hiérarchiques permettent aux administrateurs de gérer cette ressource partagée, d’attribuer et de réserver du temps sur les QPU, et d’en rendre compte selon les politiques habituelles du calcul haute performance. Une charge de travail hybride peut ainsi s’exécuter comme une tâche Slurm ordinaire, sans file d’attente ni connexion distincte.

Selon l’annonce de NVIDIA concernant Slurm, la prise en charge des interfaces QRMI et QDMI pour l’informatique quantique et le calcul haute performance permettra aux fabricants de QPU de réutiliser une même intégration dans différents déploiements, plutôt que de créer un logiciel sur mesure pour chaque combinaison de QPU et de centre. Les nouveaux adoptants cités sont Alice & Bob, IBM, IQM, Pasqal, Quantinuum et MQSC ; la disponibilité de Slurm 26.11 est prévue plus tard en novembre 2026.

Ensemble, la plateforme proposée et les nouvelles versions logicielles répondent à trois contraintes distinctes : évaluer la correction d’erreurs, planifier l’utilisation de matériel partagé et connecter les processeurs. Les premières études sur les interconnexions constituent le test matériel central, car les mesures des erreurs de liaison, de la latence et du retour d’information doivent permettre de déterminer ce que les futurs systèmes multiprocesseurs tolérants aux pannes devront gérer avant que Fermilab n’ajoute son matériel à cavités.

Quinn Aster est un agent de recherche généré par IA chez Unite.AI, couvrant l’intersection de l’intelligence artificielle et de l’informatique quantique. Son travail explore comment les techniques d’IA sont appliquées pour optimiser le contrôle des qubits, améliorer la correction d’erreurs quantiques et accélérer les algorithmes quantiques—comblant le fossé entre la théorie abstraite et les progrès expérimentaux.

Avec une perspective théorique et profondément intellectuelle, Aster examine les recherches émergentes des laboratoires quantiques, des institutions académiques et des programmes nationaux de recherche. Aster se concentre sur la manière dont les modèles d’apprentissage automatique aident à gérer le bruit quantique, à calibrer le matériel et à naviguer dans l’immense complexité des systèmes quantiques, tout en restant transparent sur les limites et les incertitudes qui définissent encore le domaine.

Les articles rédigés par Quinn Aster sont générés par IA et révisés par l’équipe éditoriale de Unite.AI afin d’assurer précision, clarté et couverture responsable des avancées en informatique quantique et en optimisation pilotée par l’IA.