Q.ANT start pilot met fotonische AI-hardware op bare-metalservers van IONOS

Q.ANT maakte op 9 november 2026 bekend dat geselecteerde aanvragers hun eigen AI-workloads kunnen testen op de fotonische processor van de tweede generatie, via speciale bare-metalservers van IONOS in Duitsland. Het gaat om een gratis, besloten bètapilot die commerciële toepassingen in kaart moet brengen.

Het programma is uitsluitend bedoeld voor deelnemers met een concrete toepassing en voldoende expertise om zelfstandig een bare-metalserver te beheren. IONOS richt elk systeem handmatig in, met SSH-roottoegang en optioneel een KVM-console. In de documentatie van de pilot staat dat de Duitse hosting, die ISO 27001-gecertificeerd is, voldoet aan de AVG en onder de digitale soevereiniteit van de EU valt.

Van simulatie naar fysieke fotonische hardware

De pilot bouwt voort op een ontwikkeltraject dat Q.ANT op 23 september 2026 begon met zijn open-source softwareontwikkelingskit. Die release bevatte programmeerinterfaces voor C en Python, voorbeeldapplicaties, documentatie en een simulatiebackend op basis van een CPU. Met het nieuwe programma kunnen goedgekeurde gebruikers die applicaties uitvoeren op fysieke Native Processing Units (NPU’s). Q.ANT levert de stuurprogramma’s, zijn softwarestack en de PyTorch-integratie. Tijdens de onboarding wordt bepaald welke modellen en frameworks compatibel zijn.

De NPU voert niet-lineaire functies rechtstreeks uit in het optische domein, in plaats van ze op conventionele chips met transistors op te delen in lange reeksen digitale bewerkingen. Volgens Q.ANT kan deze aanpak vergelijkbare of betere resultaten opleveren met minder parameters, bewerkingen en middelen. Tot de toegestane workloads behoren industriële beeldverwerking, tijdreeksvoorspellingen, wetenschappelijke simulaties en robotica, maar ook inferentie van grote taalmodellen en basismodellen, fysieke AI en wereldmodellen.

Op de pilotpagina van Q.ANT staat dat beeldverwerking bij dezelfde nauwkeurigheid 40% minder parameters vereist en tijdreeksvoorspellingen 65% minder. De besloten bètapilot is bedoeld om deze resultaten te toetsen met de eigen gegevens en software van gebruikers. Dankzij dit brede scala aan workloads kan Q.ANT vaststellen waar optische niet-lineaire verwerking buiten de eerste onderzoeksprojecten van pas komt.

Een gestructureerde evaluatie voor commercieel gebruik

Na beoordeling van hun aanvraag en een videogesprek ontvangen deelnemers tutorials, codevoorbeelden en documentatie. Daarna worden hun workloads beoordeeld en wordt de focus van de tests waar nodig bijgesteld. Tijdens een afsluitende workshop komen energie- en prestatiecijfers, de geschiktheid voor productie en een mogelijke vervolgfase aan bod. Deelnemers blijven eigenaar van hun workloads, gegevens en resultaten, die vertrouwelijk blijven. Alleen geaggregeerde, geanonimiseerde inzichten uit de gesprekken worden gebruikt voor de verdere ontwikkeling van de processor en het platform.

De pilot volgt op de commerciële overeenkomst van 19 mei 2026, waarmee IONOS de eerste commerciële klant werd voor de Native Processing Server van Q.ANT. Q.ANT positioneert de NPU als coprocessor voor specifieke AI-workloads naast CPU’s en GPU’s, niet als volledige vervanging van GPU’s. Met de besloten bètapilot kunnen klanten dus zelf evaluaties uitvoeren binnen een bestaande commerciële relatie; de samenwerking wordt er niet mee geïntroduceerd.

Onafhankelijke tests tonen voordelen én beperkingen

Een evaluatie van 21 april 2026 door het Leibniz Supercomputing Centre biedt een onafhankelijk vergelijkingspunt. LRZ testte beide NPU-generaties voor AI- en high-performance-computingtaken (HPC) en rapporteerde dat de chips van de tweede generatie in het beste geval tot 50 keer sneller waren. Voor beeldherkenning met een convolutioneel neuraal netwerk werd een versnelling van 25 keer gemeten. Bij gangbare HPC-workloads daalde het stroomverbruik tussen de eerste en de tweede generatie, afhankelijk van de rekenkundige complexiteit, met ongeveer 50% tot 84%.

In de evaluatie werden ook beperkingen genoemd die relevant zijn voor de pilot. De coprocessors kunnen niet elke bewerking optisch uitvoeren en moeten voortdurend gegevens uitwisselen met klassieke processors. De energie-efficiëntie is het hoogst wanneer berekeningen op de optische eenheid blijven; gegevensoverdracht vormt daarom een belangrijke ontwerpbeperking. Het analoge systeem zet gegevens om met een precisie van 16 bits en moet rekening houden met ruis van de fotodetector. Voor nauwkeurigere resultaten moeten complexe taken worden opgesplitst in meerdere bewerkingen en is geavanceerdere software nodig. Onderzoekers van LRZ schatten dat de chips na nog één of twee ontwikkelcycli klaar zouden kunnen zijn voor inzet in AI-clusters.

De pilot legt deze vragen nu voor aan klanten: of de gemelde voordelen standhouden bij echte workloads, gegevensoverdracht en softwarebeperkingen, bepaalt waar fotonische coprocessing naast CPU’s en GPU’s past in AI-infrastructuur voor productieomgevingen.