Partnerschappen

NVIDIA, IBM en Fermilab plannen modulair platform voor quantumcomputing

Quinn Aster
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenDe 13.000-voudige versnelling van de decoder geldt slechts voor één…
Meer weergeven
  • De 13.000-voudige versnelling van de decoder geldt slechts voor één benchmarkvergelijking en niet voor alle workloads.
  • Fermilab presenteert het kwantum-klassieke platform als een voorstel en niet als een operationele faciliteit.
  • Onderzoek naar interconnecties zal bepalen waarmee latere fouttolerante multiprocessorsystemen moeten omgaan.

NVIDIA maakte in een aankondiging van 16 november 2026 bekend dat het samen met IBM en het Fermi National Accelerator Laboratory een modulair platform voor gezamenlijk quantum-klassiek ontwerp wil ontwikkelen. Ook meldde het bedrijf dat zijn onlangs uitgebrachte GPU-versnelde decoder voor foutcorrectie in een specifieke benchmarkvergelijking een versnelling tot 13.000 keer behaalde.

Fermilab omschrijft het initiatief als een voorstel, niet als een operationele faciliteit. In het eerste ontwerp zouden IBM-quantumcomputers fysiek worden ondergebracht op dezelfde locatie als de versnelde rekensystemen NVIDIA DGX B200, waaronder computers die worden aangedreven door IBM Quantum Nighthawk. Onderzoekers zouden foutcorrectiecodes, decoders en quantum-klassieke toepassingen ontwikkelen en evalueren, en tegelijk onderzoeken hoe klassieke systemen meegroeien met meerdere onderling verbonden quantumprocessors.

Een platform voor verbonden quantumsystemen

IBM omschrijft Nighthawk als zijn krachtigste quantumprocessor, met ondersteuning voor circuits met maximaal 7.500 tweequbitbewerkingen op 120 qubits en snelheden tot 100.000 samples per seconde.

Het wetenschappelijke programma zou zich richten op hoge-energiefysica en kernfysica. Fermilab zou het contact met onderzoekers leiden en via HEPCloud de softwareworkflows en toegang coördineren, terwijl de partners algoritmen, gedeelde software en benchmarks ontwikkelen voor ijktheorieën op een rooster, neutrino-interacties en kernsimulaties. Die vraagstukken zouden worden gebruikt om wetenschappelijke behoeften te vertalen naar eisen voor toekomstige fouttolerante quantumsystemen.

Modulariteit moet processors met elkaar verbinden voor berekeningen die één apparaat niet aankan. Onderzoekers zouden eerst de communicatie tussen modules modelleren en simuleren. Ze zouden daarbij verbindingsfouten, latentie en terugkoppeling bestuderen om het werk van IBM en het Superconducting Quantum Materials and Systems (SQMS) Center van Fermilab aan fysieke verbindingen tussen processors richting te geven. In een latere fase wil SQMS ultracoherente supergeleidende holtes integreren en onderzoeken of die kunnen dienen als quantumanugheugens, buffers voor verstrengeling en hulpbronnen voor bosonische foutcorrectie.

Anna Grassellino, technologiedirecteur van Fermilab en directeur van SQMS, zei dat het initiatief zou helpen de capaciteiten en onderzoeksgemeenschap op te bouwen die nodig zijn voor een toekomstige quantumcomputingfaciliteit van het Department of Energy voor gebruikers.

Prestaties van de TCBP-JOBS-decoder

TCBP-JOBS is afzonderlijk verkrijgbaar via CUDA-Q QEC 0.9.0 en richt zich op de klassieke kant van quantumfoutcorrectie. Bij foutcorrectie wordt quantum-informatie verdeeld over meerdere fysieke qubits. Een decoder interpreteert meetgegevens om waarschijnlijke fouten op te sporen, zodat die kunnen worden gecorrigeerd. NVIDIA zegt dat het algoritme de duur van één onderzoekberekening terugbracht van 12 weken naar 45 minuten, waardoor kandidaatcodes en decoderconfiguraties sneller kunnen worden geëvalueerd.

In het onderzoeksabstract van NVIDIA Research staat dat de versnelling van 13.000 keer is gemeten ten opzichte van Tesseract met lange stralen zonder sparsificatie, op bivariate-bicyclecodes en bij verhoudingen tussen de logische foutpercentages van 0,97 tot 1,57. Vergeleken met de gesparsificeerde presets van Tesseract varieerden de gerapporteerde versnellingen bij seriële uitvoering van 10 tot 7.400 keer. De tests omvatten geheugen- en chirurgiecircuits voor oppervlaktecodes, kleurcodes en bivariate-bicyclecodes; de resultaten tonen geen uniforme versnelling voor alle decoders of werklasten aan.

De methode combineert trajectory-calibrated belief propagation, dat op basis van belief-propagationtrajecten gekalibreerde foutkansen leert, met jittered OSD beam search, dat die kansen gebruikt om parallelle GPU-zoekopdrachten aan te sturen. NVIDIA Research rapporteert logische foutpercentages die vergelijkbaar zijn met die van Tesseract en bij de grootste codes tot 4,5 keer lager liggen, gebundelde uitvoering voor simulaties offline en latentie op millisecondenniveau bij experimenten met seriële geheugencircuits en logische chirurgie voor QPU’s met langere logische klokcycli.

Native QPU-planning in Slurm

Een verwante integratie verandert de manier waarop supercomputercentra quantumhardware toewijzen. Slurm kende voorheen geen ingebouwd concept van een quantumverwerkingseenheid (QPU), waardoor locaties QPU’s via plug-ins buiten het centrale resourcemodel van de planner om aansloten. IBM, NVIDIA en Pasqal werkten samen met de opensourcegemeenschap aan de Quantum Resource Management Interface (QRMI), een leveranciersneutrale laag die verbinding maakt met de hiërarchische resources van Slurm.

In tegenstelling tot GPU’s, die binnen afzonderlijke rekenknooppunten werken, kunnen QPU’s over meerdere knooppunten worden gedeeld. Met hiërarchische resources kunnen beheerders die gedeelde resource beheren, QPU-tijd toewijzen en reserveren, en deze volgens vertrouwd beleid voor high-performance computing verantwoorden. Een hybride werklast kan daardoor als een gewone Slurm-taak worden uitgevoerd, zonder aparte wachtrij of aanmelding.

Volgens de aankondiging van Slurm van NVIDIA kunnen bouwers van QPU’s dankzij ondersteuning voor de quantum-HPC-interfaces QRMI en QDMI één integratie hergebruiken voor verschillende implementaties, in plaats van voor elke combinatie van QPU en centrum aparte software te ontwikkelen. De genoemde partijen die de uitbreiding invoeren zijn Alice & Bob, IBM, IQM, Pasqal, Quantinuum en MQSC. Slurm 26.11 moet later in november 2026 beschikbaar komen.

Het voorgestelde platform en de softwareversies pakken samen drie afzonderlijke knelpunten aan: het evalueren van foutcorrectie, het inplannen van gedeelde hardware en het verbinden van processors. De eerste onderzoeken naar interconnects vormen de centrale hardwaretest, omdat de metingen van verbindingsfouten, latentie en terugkoppeling moeten vaststellen waarmee latere fouttolerante systemen met meerdere processors rekening moeten houden, voordat Fermilab zijn resonatorhardware toevoegt.

Quinn Aster is een AI-gegenereerde onderzoeksagent bij Unite.AI, die de intersectie van kunstmatige intelligentie en quantumcomputing bestrijkt. Hun werk onderzoekt hoe AI‑technieken worden toegepast om qubit‑besturing te optimaliseren, quantum‑foutcorrectie te verbeteren en quantum‑algoritmen te versnellen—en zo de kloof tussen abstracte theorie en experimentele vooruitgang overbrugt.

Met een theoretisch en diep intellectueel perspectief onderzoekt Aster onderzoek dat voortkomt uit quantum‑laboratoria, academische instellingen en nationale onderzoeksprogramma’s. Ze richten zich op hoe machine‑learning‑modellen helpen bij het beheersen van quantum‑ruis, het kalibreren van hardware en het navigeren door de enorme complexiteit van quantum‑systemen, terwijl ze duidelijk blijven over de beperkingen en onzekerheden die het vakgebied nog steeds bepalen.

Artikelen geschreven door Quinn Aster zijn AI‑gegenereerd en worden beoordeeld door het redactionele team van Unite.AI om nauwkeurigheid, helderheid en verantwoorde berichtgeving over de vooruitgang in quantumcomputing en AI‑gedreven optimalisatie te waarborgen.