NVIDIA سهام اقلیت Riverlane را خرید و کار روی GPU-QEC را گسترش داد

طبق مقاله‌ای از Quantum Computing Report که در 22 اکتبر منتشر شد، NVIDIA یک سهم راهبردی اقلیت از سهام Riverlane، شرکت تصحیح خطای کوانتومی مستقر در کمبریج، را خریداری کرده است. این شرکت‌ها همچنین از گسترش همکاری فنی با هدف افزایش سرعت کالیبراسیون مجدد دیکودر برای تصحیح خطای کوانتومی خبر دادند؛ با استفاده از GPUهای NVIDIA H100 در کنار نرم‌افزار دیکودر Riverlane و پشته گسترده‌تر Deltaflow QEC.

چه چیزی اعلام شد

Quantum Computing Report این سرمایه‌گذاری را بخشی از تعهد گسترده‌تر NVIDIA به رایانش در بریتانیا توصیف کرد؛ تعهدی که به گفته این گزارش در مجموع 250 میلیون دلار است. همین گزارش گفت معامله Riverlane هم‌زمان با سرمایه‌گذاری‌های شرکتی در چهار کسب‌وکار هوش مصنوعی بریتانیایی اعلام شد.

تمرکز Riverlane بر تصحیح خطای کوانتومی است؛ لایه سخت‌افزاری و نرم‌افزاری‌ای که قرار است خطاها را با سرعتی کافی تشخیص دهد و اصلاح کند تا از کیوبیت‌های منطقی قابل‌اعتماد پشتیبانی شود. Riverlane در وب‌سایت خود می‌گوید Deltaflow سامانه QEC بلادرنگ این شرکت است و Deltaflow 2 را پلتفرمی مبتنی بر FPGA توصیف می‌کند که یک دیکودر سخت‌افزاری اختصاصی را با مسیریابی داده و منطق پردازش بلادرنگ یکپارچه می‌کند.

خبرنامه DesignQuantum را دریافت کنید

اخبار و مطالب توضیحی رایگان درباره رایانش کوانتومی، با پیوند هر ادعا به منبع آن. روزانه، هفتگی یا ماهانه را انتخاب کنید.

Website

نشانی ایمیل تناوبروزانههفتگیماهانه زبانEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית عضویت رایگان

رایگان. هر زمان با یک کلیک لغو اشتراک کنید. سیاست حفظ حریم خصوصی

جزئیات فنی

همکاری جدید بر کالیبراسیون مجدد دیکودر متمرکز است: به‌روزرسانی وزن‌های مدل خطا که دیکودر با آن‌ها کار می‌کند، هم‌زمان با تغییر رفتار کیوبیت‌ها. Riverlane در به‌روزرسانی فنی 14 اکتبر خود می‌گوید کیوبیت‌ها با گذشت زمان و با تغییر فرکانس‌ها، نقص‌ها و عملکرد گیت‌ها دچار رانش می‌شوند و همین موضوع باعث می‌شود وزن‌های ثابت دیکودر دقت کمتری داشته باشند.

برای حل این مسئله، Riverlane دیکودر Local Clustering خود را برای پردازش دسته‌ای روی یک GPU واحد NVIDIA H100 سازگار کرد. به گفته Riverlane، یک دوره آموزش کد سطحی که روی یک هسته CPU واحد سه دقیقه زمان می‌برد، روی H100 به 2.8 ثانیه کاهش یافت.

Riverlane همچنین از جهشی بزرگ در توان خام دیکودینگ خبر داد. در کد سطحی، H100 حدود 4.2 میلیون سیندروم در ثانیه پردازش کرد، در برابر حدود 59,000 مورد روی یک هسته CPU واحد. Quantum Computing Report این موضوع را به‌صورت بیش از 4 میلیون سیندروم در ثانیه و حدود 70 برابر افزایش سرعت خلاصه کرد.

این شرکت گفت افزایش سرعت در سطح کل دوره آموزش کمتر از سطح صرفاً دیکودینگ است، زیرا بخشی از کارها همچنان بیرون از شتاب‌دهی GPU باقی می‌مانند؛ از جمله به‌روزرسانی policy و ساخت وزن‌های کاندید. Riverlane همچنین GPU را با اجرای CPU چند‌هسته‌ای مقایسه کرد و گفت 32 هسته CPU زمان هر دوره در کد سطحی را نسبت به یک هسته حدود 23 برابر بهبود داد، اما یک H100 واحد همچنان در کد سطحی حدود 3 برابر سریع‌تر و در کد تکرار 2 برابر سریع‌تر بود.

به گفته Riverlane، وزن‌های آموزش‌دیده می‌توانند دقت دیکودر را به‌طور معناداری بهبود دهند و بسته به کد، نرخ خطای منطقی را از چند درصد تا دو برابر کاهش دهند. این نتایج در یک به‌روزرسانی فنی شرکتی منتشر شده‌اند، نه در یک مقاله داوری‌شده.

چرا مهم است

QEC بلادرنگ فقط با تأخیر دیکودر هنگام اجرای آزمایش محدود نمی‌شود، بلکه به این هم وابسته است که دیکودر با چه سرعتی بتواند بین اجراها دوباره کالیبره شود. اگر کالیبراسیون مجدد بیش از حد طول بکشد، ممکن است سخت‌افزار پیش از شروع آزمایش بعدی دوباره دچار رانش شود.

به همین دلیل است که نقش GPU اهمیت دارد. Quantum Computing Report گفت این همکاری به سمت یک حلقه کنترل QPU-GPU با کوپل نزدیک اشاره می‌کند که در آن شتاب‌دهی GPU مدل نویز فیزیکی را به‌روزرسانی می‌کند و داده را به سخت‌افزار دیکودر کم‌تأخیر مانند ASICها یا FPGAها می‌رساند. در مواد منتشرشده خود Riverlane نیز Deltaflow به‌عنوان مسیری برای رسیدن به کیوبیت‌های منطقی مقیاس‌پذیر در انواع مختلف مدالیته‌های کیوبیتی و طرح‌های QEC معرفی شده است.

چه چیزی را باید زیر نظر داشت

پرسش فوری این است که این گردش‌کارهای کالیبراسیون با چه سرعتی از نمایش‌های فنی به پشته‌های کنترلی عملیاتی منتقل می‌شوند. Riverlane می‌گوید Deltaflow 2 برای عملکرد کم‌تأخیر مستقیماً به پشته کنترل کوانتومی متصل می‌شود و به‌روزرسانی فنی این شرکت استدلال می‌کند که کالیبراسیون سریع‌تر به QEC کمک می‌کند هم‌پای رفتار در حال تغییر سخت‌افزار بماند.

سرمایه‌گذاران و سازندگان سامانه‌ها همچنین زیر نظر خواهند داشت که آیا موقعیت سهامی NVIDIA به یکپارچه‌سازی عمیق‌تر محصولی پیرامون CUDA-Q، کالیبراسیون با کمک GPU و نقشه راه دیکودر سخت‌افزاری Riverlane منجر می‌شود یا نه. در حال حاضر، روشن‌ترین نشانه کوتاه‌مدت کاملاً عملی است: به گفته Riverlane، کالیبراسیون مجدد دیکودر از «چند دقیقه به چند ثانیه» رسیده است.