NVIDIA übernimmt Minderheitsbeteiligung an Riverlane und baut Arbeit an GPU-QEC aus

Laut einem am 22. Oktober veröffentlichten Artikel von Quantum Computing Report hat NVIDIA eine strategische Minderheitsbeteiligung an Riverlane übernommen, dem in Cambridge ansässigen Unternehmen für Quantenfehlerkorrektur. Die Unternehmen gaben außerdem bekannt, ihre technische Zusammenarbeit auszubauen, um die Neukalibrierung von Decodern für die Quantenfehlerkorrektur zu beschleunigen – unter Einsatz von NVIDIA H100 GPUs zusammen mit Riverlanes Decoder-Software und dem umfassenderen Deltaflow-QEC-Stack.

Was angekündigt wurde

Quantum Computing Report zufolge ist die Investition Teil von NVIDIAs umfassenderem Rechenzentrums-Engagement im Vereinigten Königreich, das sich laut dem Bericht auf insgesamt $250 million beläuft. Derselbe Bericht besagt, dass die Vereinbarung mit Riverlane zeitgleich mit Unternehmensinvestitionen in vier britische KI-Vorhaben angekündigt wurde.

Riverlane konzentriert sich auf Quantenfehlerkorrektur – die Hardware- und Softwareebene, die Fehler schnell genug erkennen und korrigieren soll, um zuverlässige logische Qubits zu ermöglichen. Auf seiner Website bezeichnet Riverlane Deltaflow als sein Echtzeit-QEC-System und beschreibt Deltaflow 2 als FPGA-basierte Plattform, die einen proprietären Hardware-Decoder mit Datenrouting und Echtzeitverarbeitungslogik integriert.

Den DesignQuantum-Newsletter abonnieren

Kostenlose Nachrichten und Erklärstücke zum Quantencomputing, jede Aussage mit Quelle verlinkt. Täglich, wöchentlich oder monatlich, ganz nach Wahl.

Website

E-Mail-Adresse HäufigkeitTäglichWöchentlichMonatlich SpracheEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית Kostenlos abonnieren

Kostenlos. Jederzeit mit einem Klick abbestellbar. Datenschutzerklärung

Die technischen Details

Im Zentrum der neuen Zusammenarbeit steht die Neukalibrierung von Decodern: die Aktualisierung der Gewichte des Fehlermodells, die ein Decoder verwendet, wenn sich das Verhalten der Qubits verändert. In seinem technischen Update vom 14. Oktober erklärt Riverlane, dass Qubits im Laufe der Zeit driften, wenn sich Frequenzen, Defekte und Gate-Leistung ändern, wodurch statische Decoder-Gewichte ungenauer werden.

Um dieses Problem anzugehen, hat Riverlane seinen Local Clustering Decoder für die Batch-Verarbeitung auf einer einzelnen NVIDIA H100 GPU angepasst. Laut Riverlane wurde eine Trainings-Epoche des Surface Codes, die auf einem einzelnen CPU-Kern drei Minuten dauerte, auf der H100 auf 2,8 Sekunden reduziert.

Riverlane meldete außerdem einen deutlichen Zuwachs beim reinen Decoding-Durchsatz. Beim Surface Code verarbeitete die H100 etwa 4,2 Millionen Syndrome pro Sekunde, gegenüber rund 59,000 auf einem einzelnen CPU-Kern. Quantum Computing Report fasste dies als mehr als 4 Millionen Syndrome pro Sekunde und eine Beschleunigung um etwa das 70-Fache zusammen.

Das Unternehmen erklärte, dass die Beschleunigung auf Ebene der vollständigen Trainings-Epochen geringer ausfällt als auf der Ebene des reinen Decodings, weil ein Teil der Arbeit weiterhin außerhalb der GPU-Beschleunigung verbleibt, darunter die Aktualisierung der Policy und das Erstellen von Kandidatengewichten. Riverlane verglich die GPU auch mit CPU-Läufen auf mehreren Kernen und erklärte, dass 32 CPU-Kerne die Epochenzeit des Surface Codes gegenüber einem Kern um etwa das 23-Fache verbesserten, eine einzelne H100 beim Surface Code jedoch immer noch etwa 3x schneller und beim Repetition Code 2x schneller war.

Laut Riverlane können die trainierten Gewichte die Decoder-Genauigkeit spürbar verbessern und die logische Fehlerrate je nach Code um mehrere Prozent bis um den Faktor zwei senken. Diese Ergebnisse wurden in einem technischen Update des Unternehmens und nicht in einer peer-reviewten Fachpublikation veröffentlicht.

Warum das wichtig ist

Echtzeit-QEC wird nicht nur durch die Decoder-Latenz während eines Experiments begrenzt, sondern auch dadurch, wie schnell der Decoder zwischen den Durchläufen neu kalibriert werden kann. Dauert die Neukalibrierung zu lange, könnte die Hardware erneut driften, bevor das nächste Experiment beginnt.

Deshalb ist der GPU-Aspekt wichtig. Quantum Computing Report zufolge weist die Zusammenarbeit auf eine eng gekoppelte QPU-GPU-Regelschleife hin, in der GPU-Beschleunigung das physikalische Rauschmodell aktualisiert und Hardware-Decoder mit geringer Latenz wie ASICs oder FPGAs versorgt. In Riverlanes eigenen Materialien wird Deltaflow als Weg zu skalierbaren logischen Qubits über verschiedene Qubit-Modalitäten und QEC-Schemata hinweg positioniert.

Worauf zu achten ist

Die unmittelbare Frage ist, wie schnell diese Kalibrierungs-Workflows von technischen Demonstrationen in produktive Kontroll-Stacks übergehen. Riverlane erklärt, dass Deltaflow 2 für einen Betrieb mit geringer Latenz direkt mit dem Quantenkontroll-Stack verbunden ist, und argumentiert in seinem technischen Update, dass eine schnellere Kalibrierung dazu beiträgt, dass QEC mit dem sich verändernden Hardwareverhalten Schritt hält.

Investoren und Systementwickler werden auch beobachten, ob NVIDIAs Kapitalbeteiligung zu einer tieferen Produktintegration rund um CUDA-Q, GPU-gestützte Kalibrierung und Riverlanes Roadmap für Hardware-Decoder führt. Vorerst ist das klarste kurzfristige Signal praktisch: Wie Riverlane es ausdrückte, ist die Neukalibrierung von Decodern „von Minuten auf Sekunden“ geschrumpft.