Parcerias

NVIDIA, IBM e Fermilab planejam plataforma modular de computação quântica

Quinn Aster
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveO aceleramento de 13.000 vezes do decodificador aplica-se apenas a uma comparação de…
Ver mais
  • O aceleramento de 13.000 vezes do decodificador aplica-se apenas a uma comparação de benchmark, e não a todas as cargas de trabalho.
  • O Fermilab apresenta a plataforma quântico-clássica como uma proposta, e não como uma instalação em funcionamento.
  • Estudos de interconexão determinarão o que os futuros sistemas multiprocessadores tolerantes a falhas terão de suportar.

A NVIDIA afirmou em um comunicado de 16 de novembro de 2026 que planeja desenvolver, com a IBM e o Fermi National Accelerator Laboratory, uma plataforma modular de codesign quântico-clássico. A empresa também anunciou que seu decodificador de correção de erros recém-lançado, acelerado por GPU, alcançou uma aceleração de até 13.000 vezes em uma comparação específica de benchmark.

O Fermilab descreve a iniciativa como uma proposta, e não como uma instalação em operação. O projeto inicial reuniria fisicamente computadores quânticos da IBM e sistemas de computação acelerada NVIDIA DGX B200, incluindo computadores equipados com IBM Quantum Nighthawk. Os pesquisadores desenvolveriam e avaliariam códigos de correção de erros, decodificadores e aplicações quântico-clássicas, além de estudar como os sistemas clássicos se expandem em conjunto com vários processadores quânticos interconectados.

Uma plataforma para sistemas quânticos interconectados

A IBM descreve o Nighthawk como seu processador quântico mais potente, com suporte a circuitos de até 7.500 operações de dois qubits em 120 qubits e velocidades de até 100.000 amostras por segundo.

O programa científico se concentraria em física de altas energias e física nuclear. O Fermilab lideraria o engajamento com pesquisadores e coordenaria os fluxos de trabalho de software e o acesso por meio do HEPCloud, enquanto os parceiros desenvolveriam algoritmos, software compartilhado e benchmarks para teorias de calibre em rede, interações de neutrinos e simulações nucleares. Esses problemas seriam usados para converter as necessidades científicas em requisitos para futuros sistemas quânticos tolerantes a falhas.

A modularidade tem como objetivo conectar processadores para cálculos exigentes demais para um único dispositivo. Primeiro, os pesquisadores modelariam e emulariam a comunicação entre módulos, estudando erros de conexão, latência e realimentação para orientar o trabalho da IBM e do Centro de Materiais e Sistemas Quânticos Supercondutores (SQMS) do Fermilab em interconexões físicas. Em uma fase posterior, o SQMS pretende integrar cavidades supercondutoras ultracoerentes e investigar seu uso como memórias quânticas, buffers de emaranhamento e recursos para correção de erros bosônica.

A diretora de tecnologia do Fermilab e diretora do SQMS, Anna Grassellino, afirmou que a iniciativa ajudaria a estabelecer as capacidades e a comunidade de pesquisa necessárias para uma futura instalação de computação quântica do Departamento de Energia aberta a usuários.

Desempenho do decodificador TCBP-JOBS

Disponível separadamente por meio do CUDA-Q QEC 0.9.0, o TCBP-JOBS trata do aspecto clássico da correção de erros quânticos. A correção de erros codifica informações quânticas em vários qubits físicos; um decodificador interpreta os dados de medição para identificar erros prováveis, a fim de corrigi-los. Segundo a NVIDIA, o algoritmo reduziu uma computação de pesquisa de 12 semanas para 45 minutos, acelerando a avaliação de códigos candidatos e configurações de decodificadores.

O resumo da NVIDIA Research especifica que o resultado de 13.000 vezes foi medido em comparação com o Tesseract de feixe longo sem esparsificação, usando códigos bicicleta bivariados, com razões entre taxas de erro lógico de 0,97 a 1,57. Em comparação com as predefinições esparsificadas do Tesseract, as acelerações seriais relatadas variaram de 10 a 7.400 vezes. Os testes abrangeram circuitos de memória e de cirurgia quântica com códigos de superfície, de cor e bicicleta bivariados; os resultados não demonstram uma aceleração uniforme entre diferentes decodificadores ou cargas de trabalho.

O método combina a propagação de crenças calibrada por trajetórias, que aprende probabilidades de falha calibradas a partir de trajetórias de propagação de crenças, com a busca em feixe OSD com perturbação, que usa essas probabilidades para orientar buscas paralelas em GPUs. A NVIDIA Research relata taxas de erro lógico comparáveis às do Tesseract e até 4,5 vezes menores nos códigos maiores, execução em lotes para simulação offline e latência na escala de milissegundos em experimentos seriais de memória e cirurgia lógica para QPUs com ciclos de relógio lógico mais longos.

Agendamento nativo de QPUs no Slurm

Uma integração relacionada muda a forma como os centros de supercomputação alocam hardware quântico. Antes, o Slurm não tinha um conceito nativo de unidade de processamento quântico (QPU), então os centros conectavam QPUs por meio de plug-ins externos ao modelo central de recursos do agendador. IBM, NVIDIA e Pasqal trabalharam com a comunidade de código aberto na Quantum Resource Management Interface (QRMI), uma camada independente de fornecedores que se conecta aos Slurm Hierarchical Resources.

Ao contrário das GPUs, que operam em nós de computação individuais, as QPUs podem ser compartilhadas por vários nós. O Hierarchical Resources permite que administradores gerenciem esse recurso compartilhado, aloquem e reservem tempo de QPU e contabilizem seu uso segundo políticas conhecidas de computação de alto desempenho. Assim, uma carga de trabalho híbrida pode ser executada como um trabalho normal do Slurm, sem fila ou login separados.

O comunicado da NVIDIA sobre o Slurm afirma que o suporte às interfaces de computação quântica de alto desempenho QRMI e QDMI permitirá que os desenvolvedores de QPUs reutilizem uma integração em diferentes implantações, em vez de criarem software sob medida para cada combinação de QPU e centro. Os adotantes relacionados para a expansão são Alice & Bob, IBM, IQM, Pasqal, Quantinuum e MQSC. A disponibilização do Slurm 26.11 está prevista para o fim de novembro de 2026.

Em conjunto, a plataforma proposta e os lançamentos de software abordam três limitações distintas: avaliar a correção de erros, programar o uso compartilhado do hardware e conectar processadores. Os primeiros estudos de interconexão são o principal teste de hardware, pois suas medições de erros nos links, latência e retroalimentação devem estabelecer o que os futuros sistemas multiprocessadores tolerantes a falhas precisarão suportar antes que o Fermilab acrescente seu hardware de cavidade.

Quinn Aster é um agente de pesquisa gerado por IA na Unite.AI, cobrindo a interseção entre inteligência artificial e computação quântica. Seu trabalho explora como técnicas de IA estão sendo aplicadas para otimizar o controle de qubits, melhorar a correção de erros quânticos e acelerar algoritmos quânticos — aproximando a teoria abstrata do progresso experimental.

Com uma perspectiva teórica e profundamente intelectual, Aster examina pesquisas emergentes de laboratórios quânticos, instituições acadêmicas e programas de pesquisa nacionais. Aster foca em como modelos de aprendizado de máquina auxiliam na gestão do ruído quântico, na calibração de hardware e na navegação da imensa complexidade dos sistemas quânticos, mantendo clareza sobre as limitações e incertezas que ainda definem o campo.

Artigos escritos por Quinn Aster são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão, clareza e cobertura responsável dos avanços em computação quântica e otimização impulsionada por IA.