NVIDIA compra una participación minoritaria en Riverlane y amplía su trabajo en GPU-QEC
NVIDIA ha adquirido una participación minoritaria en Riverlane y ha ampliado el trabajo de calibración de corrección de errores cuánticos acelerada por GPU utilizando GPU H100.
Esta página fue traducida del inglés. Los nombres de empresas y productos, así como los enlaces a las fuentes, no se han modificado. Leer el original en inglés
NVIDIA ha adquirido una participación accionarial minoritaria estratégica en Riverlane, la empresa de corrección de errores cuánticos con sede en Cambridge, según un artículo de Quantum Computing Report publicado el 22 de octubre. Las compañías también revelaron una ampliación del trabajo técnico orientado a acelerar la recalibración del decodificador para la corrección de errores cuánticos, utilizando GPU NVIDIA H100 junto con el software de decodificación de Riverlane y su pila Deltaflow QEC en un sentido más amplio.
Lo anunciado
Quantum Computing Report describió la inversión como parte del compromiso más amplio de NVIDIA con la computación en el Reino Unido, que, según el informe, asciende a $250 millones. El mismo informe indicó que el acuerdo con Riverlane se anunció junto con inversiones corporativas en cuatro empresas británicas de inteligencia artificial.
El foco de Riverlane es la corrección de errores cuánticos, la capa de hardware y software destinada a detectar y corregir errores con la suficiente rapidez como para respaldar qubits lógicos fiables. En su sitio web, Riverlane afirma que Deltaflow es su sistema de QEC en tiempo real, y describe Deltaflow 2 como una plataforma basada en FPGA que integra un decodificador de hardware propietario con lógica de enrutamiento de datos y procesamiento en tiempo real.
Los detalles técnicos
La nueva colaboración se centra en la recalibración del decodificador: la actualización de los pesos del modelo de errores que utiliza un decodificador a medida que cambia el comportamiento de los qubits. En su actualización técnica del 14 de octubre, la empresa afirma que los qubits derivan con el tiempo a medida que cambian las frecuencias, los defectos y el rendimiento de las puertas, lo que hace que los pesos estáticos del decodificador sean menos precisos.
Para abordar esto, Riverlane adaptó su Local Clustering Decoder para el procesamiento por lotes en una sola GPU NVIDIA H100. Según Riverlane, una época de entrenamiento de código de superficie que llevaba tres minutos en un solo núcleo de CPU se redujo a 2.8 segundos en la H100.
Riverlane también informó de una mejora importante en el rendimiento bruto de decodificación. En el código de superficie, la H100 procesó unos 4.2 millones de síndromes por segundo, frente a aproximadamente 59,000 en un solo núcleo de CPU. Quantum Computing Report resumió esto como más de 4 millones de síndromes por segundo y una aceleración de alrededor de 70x.
La empresa dijo que la aceleración es menor a nivel de época de entrenamiento completa que a nivel de solo decodificación porque parte del trabajo sigue fuera de la aceleración por GPU, incluida la actualización de la política y la construcción de pesos candidatos. Riverlane también comparó la GPU con ejecuciones de CPU multinúcleo, afirmando que 32 núcleos de CPU mejoraron el tiempo por época del código de superficie en alrededor de 23x frente a un núcleo, pero que una sola H100 seguía siendo unas 3x más rápida en el código de superficie y 2x más rápida en el código de repetición.
Según Riverlane, los pesos entrenados pueden mejorar de forma material la precisión del decodificador, reduciendo la tasa de error lógico en varios puntos porcentuales hasta un factor de dos, según el código. Estos resultados se compartieron en una actualización técnica de la empresa y no en un artículo revisado por pares.
Por qué importa
La QEC en tiempo real no está limitada solo por la latencia del decodificador durante un experimento, sino también por la rapidez con la que el decodificador puede recalibrarse entre ejecuciones. Si la recalibración tarda demasiado, el hardware podría volver a derivar antes de que comience el siguiente experimento.
Por eso importa el enfoque con GPU. Quantum Computing Report señaló que la colaboración apunta hacia un bucle de control QPU-GPU estrechamente acoplado en el que la aceleración por GPU actualiza el modelo físico de ruido y alimenta hardware de decodificación de baja latencia como ASIC o FPGA. Los propios materiales de Riverlane presentan Deltaflow como una vía hacia qubits lógicos escalables en distintas modalidades de qubits y esquemas de QEC.
Qué observar
La pregunta inmediata es con qué rapidez estos flujos de trabajo de calibración pasarán de las demostraciones técnicas a las pilas de control en producción. Riverlane afirma que Deltaflow 2 se conecta directamente a la pila de control cuántico para operar con baja latencia, y su actualización técnica sostiene que una calibración más rápida ayuda a que la QEC siga el ritmo del cambio en el comportamiento del hardware.
Los inversores y los constructores de sistemas también observarán si la posición accionarial de NVIDIA conduce a una integración de producto más profunda en torno a CUDA-Q, la calibración asistida por GPU y la hoja de ruta de decodificadores de hardware de Riverlane. Por ahora, la señal más clara a corto plazo es práctica: como lo expresó Riverlane, la recalibración del decodificador ha pasado “de minutos a segundos”.
Fuentes
Los datos de esta página proceden de las fuentes indicadas abajo, recopiladas por DesignQuantum.
- Faster Decoder Recalibration for Quantum Error Correction - Riverlane riverlane.com
- NVIDIA Takes Strategic Stake in Riverlane to Accelerate Real-Time Quantum Error Correction and GPU Decoder Calibration - Quantum Computing Report quantumcomputingreport.com
- Deltaflow - Real-time QEC system riverlane.com
- Building the error correction stack for quantum computing riverlane.com