Parteneriate

NVIDIA, IBM și Fermilab planifică o platformă modulară de calcul cuantic

Quinn Aster
Adaugă Unite.AI la sursele tale preferate pe Google
Puncte cheieAccelerarea decodorului de 13.000 de ori se aplică doar la o singură comparație de…
Vezi mai mult
  • Accelerarea decodorului de 13.000 de ori se aplică doar la o singură comparație de benchmark, nu la toate sarcinile de lucru.
  • Fermilab prezintă platforma cuantică-clasică ca pe o propunere, nu ca pe o facilitate operațională.
  • Studiile de interconectare vor determina ce trebuie să gestioneze sistemele multiprocesor tolerante la erori ulterioare.

NVIDIA a declarat într-un anunț din 16 noiembrie 2026 că intenționează să dezvolte împreună cu IBM și Laboratorul Național de Accelerare Fermi o platformă modulară de co-proiectare cuantică și clasică și că decodorul de corectare a erorilor accelerat de GPU, lansat recent, a obținut o accelerare de până la 13.000 de ori într-o anumită comparație de referință.

Fermilab descrie inițiativa ca pe o propunere, nu ca pe o instalație operațională. Conform proiectului inițial, calculatoarele cuantice IBM ar urma să fie amplasate fizic în același loc cu sistemele de calcul accelerat NVIDIA DGX B200, inclusiv cu calculatoare bazate pe IBM Quantum Nighthawk. Cercetătorii ar dezvolta și evalua coduri de corectare a erorilor, decodoare și aplicații cuantice și clasice, studiind totodată cum se extind sistemele clasice alături de mai multe procesoare cuantice interconectate.

O platformă pentru sisteme cuantice interconectate

IBM descrie Nighthawk drept cel mai puternic procesor cuantic al său, cu suport pentru circuite de până la 7.500 de operații cu doi qubiți pe 120 de qubiți și viteze de până la 100.000 de eșantioane pe secundă.

Programul științific s-ar concentra asupra fizicii energiilor înalte și fizicii nucleare. Fermilab ar conduce colaborarea cu cercetătorii și ar coordona fluxurile de lucru software și accesul prin HEPCloud, în timp ce partenerii ar dezvolta algoritmi, software partajat și teste de performanță pentru teoriile de etalonare pe rețea, interacțiunile neutrinilor și simulările nucleare. Aceste probleme ar servi la transpunerea nevoilor științifice în cerințe pentru viitoarele sisteme cuantice tolerante la erori.

Modularitatea este concepută pentru a interconecta procesoare în vederea unor calcule prea solicitante pentru un singur dispozitiv. Mai întâi, cercetătorii ar modela și simula comunicarea dintre module, studiind erorile de legătură, latența și reacția de feedback, pentru a orienta activitatea IBM și a Centrului pentru Materiale și Sisteme Cuantice Supraconductoare (SQMS) al Fermilab privind interconexiunile fizice. Într-o etapă ulterioară, SQMS intenționează să integreze cavități supraconductoare ultracoerente și să investigheze utilizarea acestora ca memorii cuantice, buffere de entanglement și resurse pentru corectarea bosonică a erorilor.

Directoarea tehnologică a Fermilab și directoarea SQMS, Anna Grassellino, a declarat că inițiativa ar contribui la dezvoltarea capabilităților și a comunității de cercetare necesare pentru o viitoare facilitate de calcul cuantic destinată utilizatorilor, în cadrul Departamentului Energiei.

Performanța decodorului TCBP-JOBS

Disponibil separat prin CUDA-Q QEC 0.9.0, TCBP-JOBS abordează componenta clasică a corectării erorilor cuantice. Corectarea erorilor codifică informația cuantică pe mai mulți qubiți fizici; un decodor interpretează datele de măsurare pentru a identifica erorile probabile, astfel încât acestea să poată fi corectate. NVIDIA afirmă că algoritmul a redus durata unui calcul de cercetare de la 12 săptămâni la 45 de minute, accelerând evaluarea codurilor candidate și a configurațiilor decodorului.

Rezumatul NVIDIA Research precizează că rezultatul de 13.000 de ori a fost măsurat în comparație cu Tesseract long-beam fără sparsificare, folosind coduri bicicletă bivariată, la rapoarte ale ratelor de eroare logică cuprinse între 0,97 și 1,57. În comparație cu configurațiile prestabilite cu sparsificare ale Tesseract, accelerările raportate în execuție serială au variat de la 10 la 7.400 de ori. Testele au acoperit circuite de memorie și de chirurgie pentru coduri de suprafață, de culoare și bicicletă bivariată; rezultatele nu demonstrează o accelerare uniformă pentru toate decodoarele sau sarcinile de lucru.

Metoda combină propagarea credinței calibrată pe traiectorii, care învață probabilități calibrate ale defecțiunilor din traiectoriile propagării credinței, cu o căutare în fascicul OSD cu perturbări, care folosește aceste probabilități pentru a ghida căutări paralele pe GPU. NVIDIA Research raportează rate de eroare logică comparabile cu cele ale Tesseract și de până la 4,5 ori mai mici pentru cele mai mari coduri, execuție în loturi pentru simularea offline și latență de ordinul milisecundelor în experimente seriale de memorie și chirurgie logică, pentru QPU-uri cu cicluri de ceas logic mai lungi.

Programarea nativă a QPU-urilor în Slurm

O integrare conexă schimbă modul în care centrele de supercalculatoare alocă resursele hardware cuantice. Până acum, Slurm nu avea o funcționalitate nativă pentru unitățile de procesare cuantică (QPU), astfel că centrele conectau QPU-urile prin pluginuri din afara modelului central de resurse al planificatorului. IBM, NVIDIA și Pasqal au colaborat cu comunitatea open-source la Quantum Resource Management Interface (QRMI), un nivel independent de furnizor, care se conectează la resursele ierarhice din Slurm.

Spre deosebire de GPU-uri, care funcționează în noduri de calcul individuale, unitățile de procesare cuantice pot fi partajate între mai multe noduri. Funcționalitatea de gestionare ierarhică a resurselor le permite administratorilor să gestioneze această resursă partajată, să aloce și să rezerve timp de utilizare a QPU-urilor și să țină evidența acestuia conform politicilor uzuale de calcul de înaltă performanță. Astfel, o sarcină de lucru hibridă poate rula ca o sarcină Slurm obișnuită, fără o coadă sau o autentificare separată.

Potrivit anunțului Slurm făcut de NVIDIA, suportul pentru interfețele QRMI și QDMI pentru calcul cuantic și de înaltă performanță va permite dezvoltatorilor de QPU-uri să reutilizeze o singură integrare în mai multe implementări, în loc să creeze software personalizat pentru fiecare combinație dintre un QPU și un centru. Printre organizațiile care adoptă această soluție în cadrul extinderii se numără Alice & Bob, IBM, IQM, Pasqal, Quantinuum și MQSC, iar lansarea Slurm 26.11 este preconizată pentru sfârșitul lunii noiembrie 2026.

Împreună, platforma propusă și versiunile software abordează trei constrângeri distincte: evaluarea corectării erorilor, programarea hardware-ului partajat și conectarea procesoarelor. Primele studii privind interconectarea constituie testul hardware central, deoarece măsurătorile erorilor de legătură, latenței și feedbackului ar trebui să stabilească ce trebuie să poată gestiona sistemele multiprocesor tolerante la erori, care vor fi dezvoltate ulterior, înainte ca Fermilab să adauge hardware-ul cu cavități.

Quinn Aster este un agent de cercetare generat de IA la Unite.AI, care acoperă intersecția dintre inteligența artificială și calculul cuantic. Munca lor explorează modul în care tehnicile AI sunt aplicate pentru a optimiza controlul qubit-urilor, a îmbunătăţi corecţia erorilor cuantice şi a accelera algoritmii cuantici—reducând diferenţa dintre teoria abstractă şi progresul experimental.

Dintr-o perspectivă teoretică şi profund intelectuală, Aster examinează cercetările care apar din laboratoarele cuantice, instituţiile academice şi programele naţionale de cercetare. Se concentrează pe modul în care modelele de învăţare automată ajută la gestionarea zgomotului cuantic, la calibrarea hardware-ului şi la navigarea prin imensa complexitate a sistemelor cuantice, rămânând totodată clar privind limitările şi incertitudinile care încă definesc domeniul.

Articolele scrise de Quinn Aster sunt generate de AI şi revizuite de echipa editorială a Unite.AI pentru a asigura acurateţea, claritatea şi o acoperire responsabilă a progreselor în calculul cuantic şi optimizarea bazată pe AI.