Qblox، NVIDIA DGX Spark را با تأخیر کمتر از 7.2 µs به کنترل کوانتومی متصل کرد
Qblox می‌گوید NVIDIA DGX Spark را از طریق NVQLink با کنترل‌کننده کوانتومی خود یکپارچه کرده و هدف آن، کالیبراسیون و تصحیح خطای بلادرنگ است.
این صفحه از انگلیسی ترجمه شده است. نام شرکت‌ها، محصولات و پیوندهای منابع بدون تغییر باقی مانده‌اند. خواندن نسخه اصلی انگلیسی
Qblox می‌گوید سامانه رومیزی هوش مصنوعی DGX Spark شرکت NVIDIA را با استفاده از NVIDIA NVQLink به کنترل‌کننده سامانه کوانتومی خود متصل کرده و گزارش داده است که تأخیر رفت‌وبرگشت اندازه‌گیری‌شده روی DGX Spark کمتر از 7.2 میکروثانیه و روی NVIDIA RTX PRO 6000 Blackwell کمتر از 4.0 میکروثانیه بوده است. بر اساس اعلام شرکت، هدف این است که محاسبات GPU مستقیماً وارد حلقه کنترل کوانتومی بلادرنگ شود تا برای بارهای کاری‌ای مانند کالیبراسیون و تصحیح خطای کوانتومی به کار گرفته شود.
چه چیزی اعلام شد
این اعلام، که در 22 اکتبر منتشر شد، گام دیگری در همکاری Qblox با NVIDIA در حوزه محاسبات هیبریدی کوانتومی-کلاسیک به شمار می‌رود. Qblox می‌گوید این پیکربندی جدید، پشته کنترلی آن را با NVIDIA DGX Spark ترکیب می‌کند تا یک ماشین رومیزی واحد بتواند از طریق CUDA-Q، بارهای کاری کوانتومی، هوش مصنوعی و شبیه‌سازی را میزبانی کند.
طبق این اعلام، توسعه‌دهندگان می‌توانند برنامه‌ها را روی سخت‌افزار رومیزی بسازند و سپس با مقیاس‌پذیر شدن سامانه‌ها، همان کد را به سرورهای GPU منتقل کنند. NVIDIA، CUDA-Q را یک پلتفرم باز محاسبات کوانتومی توصیف می‌کند که منابع CPU، GPU و QPU را در یک برنامه در بر می‌گیرد.
Niels Bultink، CEO و هم‌بنیان‌گذار Qblox، گفت کنترل کلاسیک به عاملی محدودکننده در مقیاس‌پذیری رایانه‌های کوانتومی تبدیل خواهد شد و افزود که این یکپارچه‌سازی با هدف تبدیل GPUها به بخشی از این مسیر کنترلی انجام شده است.
جزئیات فنی
Qblox این پیوند کم‌تأخیر را به پردازنده‌های توالی Q1 و اتصال داخلی LINQ خود نسبت می‌دهد؛ مؤلفه‌هایی که به گفته این شرکت، توان عملیاتی لازم را فراهم می‌کنند تا سامانه کنترلی Cluster آن در کنار GPUها کار کند. در این معماری، روتین‌های شتاب‌گرفته با GPU می‌توانند پارامترهای کیوبیت را در حین اجرای آزمایش‌ها به‌روزرسانی کنند، نه فقط در فاصله بین اجراها.
این شرکت همچنین می‌گوید داده‌های سندروم برای تصحیح خطای کوانتومی را می‌توان با تأخیری به‌اندازه کافی پایین به دیکودرهای مبتنی بر GPU فرستاد تا شناسایی و اصلاح بلادرنگ خطاها پشتیبانی شود. این تمایز قابل‌توجهی است: در بسیاری از جریان‌های کاری هیبریدی، پس‌پردازش کلاسیک خارج از مسیر زمانی بحرانی قرار می‌گیرد، در حالی که در اینجا هدف اعلام‌شده، مشارکت مستقیم در کنترل زنده است.
اندازه‌گیری‌های گزارش‌شده به سخت‌افزار مشخص وابسته‌اند. Qblox می‌گوید تأخیر رفت‌وبرگشت روی RTX PRO 6000 Blackwell کمتر از 4.0 میکروثانیه و روی DGX Spark کمتر از 7.2 میکروثانیه بوده است. این اعلام، روش‌شناسی کامل‌تر بنچمارک یا اعتبارسنجی مستقل ارائه نمی‌کند.
چرا اهمیت دارد
برای پردازنده‌های کوانتومی، بازخورد سریع کلاسیک با حرکت سامانه‌ها به سمت روتین‌های پیچیده‌تر کالیبراسیون و تصحیح خطا، اهمیت فزاینده‌ای پیدا می‌کند. اگر بتوان GPUها را بدون افزودن تأخیر بیش از حد وارد حلقه کنترل کرد، آن‌ها می‌توانند وظایف محاسباتی سنگینی را بر عهده بگیرند که اجرای آن‌ها تنها با الکترونیک کنترلی با کارکرد ثابت دشوار است.
این موضوع به‌ویژه برای بارهای کاری دیکودر در تصحیح خطا و نیز برای کالیبراسیون تطبیقی مهم است؛ جایی که تصمیم‌ها باید آن‌قدر سریع گرفته شوند که بر آزمایش در حال اجرا اثر بگذارند. اعلام Qblox نشان می‌دهد این شرکت در تلاش است با استفاده از همان مسیر نرم‌افزاری CUDA-Q روی هر دو بستر رومیزی و سامانه‌های GPU در مراکز داده، میان توسعه در مقیاس آزمایشگاهی و استقرار در مقیاس بزرگ‌تر پل بزند.
چه چیزهایی را باید زیر نظر گرفت
این گام تازه بر دستاوردهای قبلی اشاره‌شده از سوی Qblox بنا شده است: کار پیشین با NVQLink که در اکتبر 2025 اعلام شد و پشتیبانی از CUDA-Q realtime API در مارس 2026. ادعای جدید درباره یک معماری آینده نیست، بلکه درباره عملکرد اندازه‌گیری‌شده روی سخت‌افزاری است که اکنون با کنترل‌کننده شرکت یکپارچه شده است.
پرسش‌های بعدی، پرسش‌هایی عملی هستند. پژوهشگران و مشتریان خواهند خواست ببینند ارقام تأخیر چگونه به کاربردهای مشخص ترجمه می‌شوند، این رویکرد تا چه اندازه با مُدالیته‌های مختلف کیوبیت سازگار است، و آیا سامانه سرتاسری می‌تواند این زمان‌بندی‌ها را زیر بارهای آزمایشی بزرگ‌تر حفظ کند یا نه. فعلاً این اعلام به نقش روشن‌تری برای GPUها درون کنترل کوانتومی اشاره می‌کند، نه فقط در کنار آن.
منابع
اطلاعات این صفحه از منابع زیر گرفته شده و توسط DesignQuantum گردآوری شده است.
- Qblox Integrates NVIDIA DGX Spark With Quantum System Controller thequantuminsider.com
- NVIDIA CUDA-Q developer.nvidia.com