Snowcap Compute Lanserar Med 23 MUSD För Att Uppmuntra Superledande Beräkningar Av AI Och HPC

Den globala utgiften för molnberäkning förväntas nå 1,3 biljoner dollar år 2025, en siffra som speglar den extraordinära efterfrågan på skalbar och effektiv beräkningsinfrastruktur. Under denna ökning meddelade Snowcap Compute idag sin offentliga lansering och en seedfinansieringsrunda på 23 miljoner dollar ledd av Playground Global. Det är den första investeringen från före detta Intel-VD Pat Gelsinger sedan han anslöt sig till företaget. Ytterligare deltagande kom från Cambium Capital och Vsquared Ventures, vilket signalerar en ökande investerarvilja i alternativa beräkningsarkitekturer.

Snowcaps uppdrag är att kommersialisera superledande beräkningar – specifikt en plattform som ersätter traditionella kiseltransistorer med superledande logiska grindar, vilket lovar betydande vinster i prestanda och energieffektivitet. Det är ett modigt försök att omdefiniera hur datacenter driver de snabbt framskridande områdena för artificiell intelligens (AI), högpresterande beräkningar (HPC) och kvantum-klassiska hybridsystem.

CMOS Begränsningar Och Fallet För Förändring

Under de senaste fem decennierna har halvledarindustrin förlitat sig på CMOS (komplementär metalloxidhalvledare) teknologi för att tillverka nästan varje chip – från CPU och GPU till smartphones och inbäddade system. CMOS använder par av p-typ och n-typ transistorer för att hantera logiska operationer, och förbrukar energi främst när tillstånden växlas. Dess dominans möjliggjordes av Moores lag: förmågan att kontinuerligt minska transistornas storlek, packa fler på en chip och uppnå bättre prestanda till lägre kostnad.

Men den framstegen har avtagit kraftigt. Moderna chip möter termiska och kvantbegränsningar. Att minska transistornas storlek ytterligare orsakar läckströmmar och ökar den statiska effektförbrukningen. Även med avancerad litografi kämpar tillverkare nu med en lag om avtagande avkastning. Som ett resultat är energieffektivitet – inte transistortäthet – nu den mest brådskande flaskhalsen i beräkningsarkitektur.

Detta är särskilt problematiskt för AI-arbetsbelastningar. Utbildning av stora modeller kan kräva tiotals megawattimmar av elektricitet. Körning av inferens över miljarder frågor per dag förstärker den kostnaden. Högpresterande simuleringar inom medicin, klimatmodellering och materialvetenskap är lika begränsade. Världen behöver en ny klass av beräkningsplattformar – de som kan skalas utan en motsvarande ökning av värme, kostnad och koldioxidutsläpp.

Vad Gör Superledande Beräkning Annorlunda?

Superledande beräkning erbjuder en fundamentalt annorlunda tillvägagångssätt. Istället för transistorer som dissipaterar energi som värme, använder den Josephson-junctioner – små kvantenheter som tillåter ström att tunnela mellan superledare utan motstånd. När de kyler till 4,5 Kelvin med hjälp av standardkryogena system, kan dessa kretsar växla på picosekunder och förbruka en förbluffande liten mängd energi per operation – så mycket som 100 000 gånger mindre än CMOS.

Detta är inte kvantberäkning, som förlitar sig på sammanflätning och sannolikhetslägen. Snowcaps tillvägagångssätt använder superledande material för att utföra deterministisk digital logik – vilket betyder att den kan köra traditionell programvara och arbetsbelastningar. Fördelen ligger i dess förmåga att leverera klassisk beräkningsprestanda med avsevärt högre effektivitet, med nollmotståndskopplingar och minimala växlingsförluster.

Trots dess potential, har superledande logik historiskt sett förblivit begränsad till forskningslaboratorier på grund av tekniska och tillverkningsutmaningar. Integrering av dessa kretsar i moderna chipdesigner krävde en lösning på problem som skalbarhet, kylning och designverktygskompatibilitet. Snowcap hävdar att de har gjort framsteg inom alla dessa områden.

Snowcaps Tillvägagångssätt Och Teknologi

Vad som skiljer Snowcap är deras betoning på praktisk distribution. Till skillnad från tidigare superledande ansträngningar som krävde exotiska material eller anpassad tillverkning, är Snowcaps plattform utformad för att vara kompatibel med 300mm halvledartillverkningsprocesser. Den använder material och metoder som redan har bevisats i kvantberäkningssystem, såsom heliumbaserad kryogen infrastruktur.

Plattformen är också byggd för att stödja befintliga digitala logiska design. Istället för att kräva att utvecklare skriver om programvara eller lär sig nya paradigm, erbjuder Snowcap en väg för att porta traditionella CPU, GPU och AI-acceleratorer till sin superledande arkitektur. Företaget beskriver sitt erbjudande som en prestanda- och effektivitetsmultiplikator som kan infogas i framtida datacenter med minimal störning.

VD Mike Lafferty, en veteran från Cadences superledande och kvantteknikavdelning, leder ett team som inkluderar Chief Science Officer Dr. Anna Herr och Chief Technology Officer Dr. Quentin Herr, båda vida erkända för sina bidrag till superledande systemdesign. Rådgivningsstyrelsen inkluderar före detta NVIDIA GPU-chef Brian Kelleher och Phil Carmack, tidigare VP för kiselteknik på Google.

Lafferty rammer in företagets uppdrag i tydliga termer: “Vi bygger beräkningssystem för gränsen av vad som är fysiskt möjligt. Superledande logik låter oss gå utöver CMOS-gränserna för att möta kraven för nästa generations AI och hybridkvantapplikationer.”

Den Större Bilden: Energi, AI Och Datacenter

Konsekvenserna sträcker sig bortom chipprestanda. Datacenter står redan för en växande andel av den globala elanvändningen, och AI-acceleration förstärker bara problemet. När nationer skärper utsläppsnormer och energinätverk möter påfrestningar, blir hållbarheten i beräkningsinfrastruktur en nyckelfråga – inte bara för teknikleverantörer, utan också för regeringar och företag.

Snowcaps superledande tillvägagångssätt möter det trycket direkt. Genom att minska växlingsenergin och eliminera resistiva förluster i kopplingar, har tekniken potentialen att kraftigt minska den operativa effektförbrukningen. I kryogena miljöer som redan är utvecklade för kvantsystem, kan den marginella kostnaden för att köra klassiska arbetsbelastningar bredvid kvantum-arbetsbelastningar minska dramatiskt.

Denna konvergens av kvantum- och klassisk beräkning i samma kylhölje öppnar intressanta möjligheter: realtidsdatahantering för kvantumexperiment, hybrid AI/kvantumalgoritmer och mycket mer.

Vägen Framåt För Beräkning

När artificiell intelligens, vetenskaplig modellering och kvantforskning trycker på gränserna för nuvarande infrastruktur, står branschen inför en avgörande ögonblick. Traditionell CMOS-skalning är inte längre tillräcklig för att möta de växande beräkningskraven, särskilt när energiförbrukning blir en kärnbegränsning. Nya paradigm – från optisk beräkning och neuromorfiska chip till kryogena och superledande system – vinner mark som forskare och ingenjörer söker efter arkitekturer som kan leverera mer prestanda med mindre effekt.

Superledande beräkning, som tidigare ansågs för exotisk för kommersiell användning, dyker upp som ett av de mer pragmatiska alternativen – särskilt när kryogen infrastruktur blir allt vanligare i kvantummiljöer. Medan utmaningar kvarstår kring minnesintegration, systemdesign och ekosystemmognad, är de potentiella effektivitetsvinsterna för stora för att ignorera.

Snowcap Compute är bland en liten grupp företag som satsar på denna förändring. Genom att anpassa superledande logik till etablerade tillverknings- och datacenterpraxis, erbjuder det en möjlig väg framåt i en post-CMOS-värld – en värld där prestanda inte längre är bunden till värme, och skala inte längre är begränsad av kisel.