Partnerstwa

NVIDIA, IBM i Fermilab planują modułową platformę obliczeń kwantowych

Quinn Aster
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyPrzyspieszenie dekodera 13 000 razy dotyczy tylko jednego porównania benchmarkowego, a…
Zobacz więcej
  • Przyspieszenie dekodera 13 000 razy dotyczy tylko jednego porównania benchmarkowego, a nie wszystkich obciążeń.
  • Fermilab przedstawia platformę kwantowo-klasyczną jako propozycję, a nie działający ośrodek.
  • Badania połączeń międzyprocesorowych określą, co późniejsze tolerujące błędy systemy wieloprocesorowe będą musiały obsługiwać.

NVIDIA poinformowała w komunikacie z 16 listopada 2026 r., że planuje opracować z IBM i Fermi National Accelerator Laboratory modułową platformę współprojektowania systemów kwantowych i klasycznych. Firma podała również, że jej nowo udostępniony dekoder korekcji błędów przyspieszany przez GPU osiągnął nawet 13 000-krotne przyspieszenie w określonym porównaniu benchmarkowym.

Fermilab przedstawia tę inicjatywę jako propozycję, a nie działający ośrodek. Zgodnie z jej wstępnym projektem komputery kwantowe IBM miałyby znajdować się w tym samym miejscu co systemy obliczeniowe NVIDIA DGX B200, w tym komputery wyposażone w IBM Quantum Nighthawk. Naukowcy mieliby opracowywać i oceniać kody korekcji błędów, dekodery oraz aplikacje kwantowo-klasyczne, a także badać skalowanie systemów klasycznych współpracujących z wieloma połączonymi procesorami kwantowymi.

Platforma dla połączonych systemów kwantowych

IBM opisuje Nighthawk jako swój najpotężniejszy procesor kwantowy, obsługujący obwody obejmujące do 7500 operacji na dwóch kubitach w ramach 120 kubitów oraz osiągający szybkość do 100 000 próbek na sekundę.

Program naukowy koncentrowałby się na fizyce wysokich energii i fizyce jądrowej. Fermilab odpowiadałoby za współpracę z naukowcami oraz koordynację przepływów pracy oprogramowania i dostępu za pośrednictwem HEPCloud, a partnerzy opracowywaliby algorytmy, wspólne oprogramowanie i benchmarki dotyczące sieciowych teorii cechowania, oddziaływań neutrin i symulacji jądrowych. Problemy te posłużyłyby do przełożenia potrzeb naukowych na wymagania wobec przyszłych, odpornych na błędy systemów kwantowych.

Modułowa konstrukcja ma umożliwić łączenie procesorów na potrzeby obliczeń zbyt wymagających dla pojedynczego urządzenia. Najpierw naukowcy modelowaliby i symulowali komunikację między modułami, badając błędy łączy, opóźnienia i sprzężenie zwrotne, aby ukierunkować prace IBM i należącego do Fermilab ośrodka Superconducting Quantum Materials and Systems (SQMS) nad fizycznymi połączeniami międzymodułowymi. W późniejszym etapie SQMS zamierza zintegrować nadzwyczaj koherentne wnęki nadprzewodzące oraz zbadać ich zastosowanie jako pamięci kwantowych, buforów splątania i zasobów do korekcji błędów bozonowych.

Dyrektor ds. technologii Fermilab i dyrektorka SQMS Anna Grassellino powiedziała, że inicjatywa pomoże stworzyć możliwości i społeczność badawczą niezbędne do powstania w przyszłości ośrodka obliczeń kwantowych Departamentu Energii, z którego będą mogli korzystać naukowcy.

Wydajność dekodera TCBP-JOBS

TCBP-JOBS, dostępny osobno w CUDA-Q QEC 0.9.0, dotyczy klasycznego aspektu korekcji błędów kwantowych. Korekcja błędów koduje informacje kwantowe w wielu kubitach fizycznych; dekoder interpretuje dane pomiarowe, aby wskazać prawdopodobne błędy, które można następnie skorygować. NVIDIA podaje, że algorytm skrócił jedno obliczenie badawcze z 12 tygodni do 45 minut, przyspieszając ocenę kandydatów na kody i konfiguracji dekodera.

W streszczeniu NVIDIA Research podano, że wynik oznaczający 13 000-krotne przyspieszenie zmierzono względem niesparsowanej wersji Tesseract z długą wiązką w przypadku kodów rowerowych dwuwymiarowych, przy stosunkach współczynników błędów logicznych od 0,97 do 1,57. W porównaniu z rzadkimi konfiguracjami wstępnymi Tesseract raportowane przyspieszenie w trybie szeregowym wynosiło od 10- do 7400-krotności. Testy objęły obwody pamięci i chirurgii logicznej dla kodów powierzchniowych, kolorowych oraz rowerowych dwuwymiarowych; wyniki nie potwierdzają jednakowego przyspieszenia dla wszystkich dekoderów ani obciążeń.

Metoda łączy propagację przekonań kalibrowaną na podstawie trajektorii, która uczy się skalibrowanych prawdopodobieństw wystąpienia błędów na podstawie trajektorii propagacji przekonań, z przeszukiwaniem wiązkowym OSD z perturbacją, które wykorzystuje te prawdopodobieństwa do kierowania równoległymi przeszukiwaniami na GPU. NVIDIA Research informuje o uzyskaniu współczynników błędów logicznych porównywalnych z Tesseract, a w przypadku największych kodów nawet o 4,5 raza niższych, o przetwarzaniu wsadowym na potrzeby symulacji offline oraz o opóźnieniu rzędu milisekund w eksperymentach szeregowych z obwodami pamięci i chirurgii logicznej dla procesorów QPU o dłuższych logicznych cyklach zegara.

Natywne planowanie zadań QPU w Slurm

Powiązana integracja zmienia sposób, w jaki centra superkomputerowe przydzielają zasoby sprzętu kwantowego. Wcześniej Slurm nie miał natywnej obsługi procesorów kwantowych (QPU), dlatego ośrodki podłączały je za pomocą wtyczek nieuwzględnionych w podstawowym modelu zasobów harmonogramu. IBM, NVIDIA i Pasqal współpracowały ze społecznością open source nad Quantum Resource Management Interface (QRMI) — niezależną od dostawców warstwą łączącą się z hierarchicznymi zasobami Slurm.

W przeciwieństwie do procesorów GPU, które działają w obrębie pojedynczych węzłów obliczeniowych, procesory QPU mogą być współdzielone przez wiele węzłów. Hierarchiczne zasoby pozwalają administratorom zarządzać takim współdzielonym zasobem, przydzielać i rezerwować czas pracy QPU oraz rozliczać jego wykorzystanie zgodnie ze znanymi zasadami obliczeń wielkiej skali. Dzięki temu zadanie hybrydowe może być uruchamiane jako zwykłe zadanie Slurm, bez osobnej kolejki ani logowania.

W komunikacie Slurm NVIDIA informuje, że obsługa interfejsów QRMI i QDMI do obliczeń kwantowych w środowiskach HPC pozwoli twórcom procesorów QPU ponownie wykorzystywać tę samą integrację w różnych wdrożeniach, zamiast tworzyć dedykowane oprogramowanie dla każdej kombinacji procesora QPU i centrum. Wśród podmiotów, które mają przyjąć to rozwiązanie, wymieniono Alice & Bob, IBM, IQM, Pasqal, Quantinuum i MQSC. Slurm 26.11 ma być dostępny pod koniec listopada 2026 r.

Proponowana platforma i wydania oprogramowania odpowiadają łącznie na trzy odrębne wyzwania: ocenę korekcji błędów, planowanie dostępu do współdzielonego sprzętu oraz łączenie procesorów. Pierwsze badania połączeń między układami stanowią kluczowy test sprzętu, ponieważ pomiary błędów transmisji, opóźnień i sprzężenia zwrotnego mają pozwolić ustalić, z czym będą musiały sobie radzić przyszłe, odporne na błędy systemy wieloprocesorowe, zanim Fermilab doda swoją aparaturę wnękową.

Quinn Aster jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się przecięciem sztucznej inteligencji i komputerów kwantowych. Ich praca bada, jak techniki SI są stosowane do optymalizacji sterowania kubitami, usprawniania korekcji błędów kwantowych oraz przyspieszania algorytmów kwantowych — wypełniając lukę między abstrakcyjną teorią a postępem eksperymentalnym.

Z teoretycznego i głęboko intelektualnego punktu widzenia Aster analizuje badania powstające w laboratoriach kwantowych, instytucjach akademickich i krajowych programach badawczych. Skupia się na tym, jak modele uczenia maszynowego pomagają w zarządzaniu szumem kwantowym, kalibracji sprzętu oraz nawigacji po ogromnej złożoności systemów kwantowych, jednocześnie pozostając jasnym co do ograniczeń i niepewności, które wciąż definiują tę dziedzinę.

Artykuły autorstwa Quinn Aster są generowane przez SI i poddawane recenzji przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, przejrzystość i odpowiedzialne relacjonowanie postępów w komputerach kwantowych oraz optymalizacji napędzanej przez SI.