Q.ANT åpner pilot for fotonisk KI-maskinvare på IONOS bare-metal

Q.ANT kunngjorde 9. november 2026 at utvalgte søkere kan teste sine egne KI-arbeidsoppgaver på selskapets andre generasjons fotoniske prosessor via dedikerte IONOS-bare-metal-servere i Tyskland, i en kostnadsfri, lukket betapilot som skal identifisere kommersielle bruksområder.

Programmet er begrenset til deltakere med et konkret bruksområde og tilstrekkelig kompetanse til å administrere en bare-metal-server på egen hånd. IONOS klargjør hvert system manuelt, med SSH-roottilgang og en valgfri KVM-konsoll. Dokumentasjonen for pilotprogrammet beskriver den ISO 27001-sertifiserte tyske vertstjenesten som i samsvar med personvernregelverket GDPR og underlagt suverenitet innenfor EU.

Fra simulering til fysisk fotonisk maskinvare

Pilotprogrammet bygger videre på en utviklingsløype Q.ANT startet med sitt utviklingssett med åpen kildekode 23. september 2026. Denne utgivelsen inneholdt programmeringsgrensesnitt for C og Python, eksempelapplikasjoner, dokumentasjon og en simuleringsbackend basert på CPU; det nye programmet lar godkjente brukere kjøre disse applikasjonene på fysiske Native Processing Units (NPU-er). Q.ANT leverer drivere, programvarestakken sin og PyTorch-integrasjon, mens kompatibiliteten med modeller og rammeverk avklares under introduksjonsprosessen.

NPU-en utfører ikke-lineære funksjoner direkte i det optiske domenet, i stedet for å bryte dem ned i lange sekvenser av digitale trinn på konvensjonelle transistorbaserte brikker. Q.ANT sier at denne tilnærmingen kan gi tilsvarende eller bedre resultater med færre parametere, operasjoner og ressurser. Godkjente arbeidsoppgaver omfatter industriell bildebehandling, tidsserieprognoser, vitenskapelig simulering og robotikk, i tillegg til inferens med store språkmodeller og grunnmodeller, fysisk KI og verdensmodeller.

På siden for pilotprogrammet oppgir Q.ANT 40 % færre parametere for bildebehandling og 65 % færre for tidsserieprognoser ved samme nøyaktighet. Den lukkede betaversjonen er utformet for å teste resultatene med brukernes egne data og programvare. Dette spennet av arbeidsoppgaver gir Q.ANT mulighet til å fastslå hvor optisk ikke-lineær prosessering er nyttig, utover de første forskningsbaserte utrullingene.

En strukturert evaluering av kommersiell bruk

Etter en gjennomgang av søknaden og en videosamtale får deltakerne opplæringsmateriell, kodeeksempler og dokumentasjon, etterfulgt av gjennomgang av arbeidsoppgavene og justeringer av testfokuset. I en avsluttende workshop vurderes energi- og ytelsesmålinger, egnethet for produksjon og en mulig neste fase. Deltakerne beholder eierskapet til arbeidsoppgavene, dataene og resultatene sine, som forblir konfidensielle; bare samlede, anonymiserte innsikter fra diskusjonene brukes i utviklingen av prosessoren og plattformen.

Pilotprogrammet følger etter den kommersielle avtalen 19. mai 2026, som gjorde IONOS til den første kommersielle kunden for Q.ANTs Native Processing Server. Q.ANT posisjonerer NPU-en som en koprosessor for bestemte KI-arbeidsoppgaver ved siden av CPU-er og GPU-er, ikke som en fullstendig erstatning for GPU-er. Den lukkede betaversjonen utvider dermed et eksisterende kommersielt samarbeid med evaluering utført av kunder, i stedet for å innlede selve partnerskapet.

Uavhengige tester viser gevinster og begrensninger

En evaluering 21. april 2026 fra Leibniz Supercomputing Centre gir et uavhengig sammenligningsgrunnlag. LRZ testet begge NPU-generasjonene på KI- og høyytelsesdatabehandlingsoppgaver (HPC) og rapporterte at andre generasjons brikker i beste fall kjørte opptil 50 ganger raskere, med en 25-dobling av hastigheten innen bildegjenkjenning ved bruk av et konvolusjonelt nevralt nettverk. For typiske HPC-arbeidsoppgaver sank strømforbruket med omtrent 50 % til 84 % fra første til andre generasjon, avhengig av beregningskompleksiteten.

Evalueringen avdekket også begrensninger som er relevante for pilotprogrammet. Koprosessorene kan ikke utføre alle operasjoner optisk og må kontinuerlig utveksle data med klassiske prosessorer. Energieffektiviteten er høyest når beregningene forblir på den optiske enheten, noe som gjør dataflytting til en sentral designbegrensning. Det analoge systemet konverterer data med 16-bits presisjon og må ta hensyn til fotodetektorstøy; for å oppnå mer presise resultater må komplekse oppgaver deles opp i flere operasjoner, og det kreves mer avanserte programvareverktøy. LRZ-forskere anslo at brikkene kan være klare for bruk i KI-klynger etter ytterligere én eller to utviklingssykluser.

Pilotprogrammet overlater nå disse spørsmålene til kundene: Hvor de fotoniske koprosessorene passer inn ved siden av CPU-er og GPU-er i KI-infrastruktur for produksjon, vil avhenge av om de rapporterte gevinstene holder seg under reelle arbeidsoppgaver og med de begrensningene som følger av dataflytting og programvare.