NVIDIA prend une participation minoritaire dans Riverlane et étend ses travaux sur la QEC avec des GPU

Selon un article de Quantum Computing Report publié le 22 octobre, NVIDIA a acquis une participation stratégique minoritaire au capital de Riverlane, l’entreprise de correction d’erreurs quantiques basée à Cambridge. Les deux sociétés ont également annoncé l’extension de leurs travaux techniques visant à accélérer le réétalonnage des décodeurs pour la correction d’erreurs quantiques, en utilisant des GPU NVIDIA H100 aux côtés du logiciel de décodage de Riverlane et de la pile QEC Deltaflow plus large.

Ce qui a été annoncé

L’investissement a été présenté par Quantum Computing Report comme s’inscrivant dans l’engagement plus large de NVIDIA dans le calcul au Royaume-Uni, que le média évalue à 250 millions de dollars. Le même article précise que l’opération avec Riverlane a été annoncée en parallèle d’investissements de l’entreprise dans quatre sociétés britanniques spécialisées dans l’intelligence artificielle.

Riverlane se concentre sur la correction d’erreurs quantiques, la couche matérielle et logicielle destinée à détecter et corriger les erreurs suffisamment vite pour permettre des qubits logiques fiables. Sur son site web, Riverlane indique que Deltaflow est son système de QEC en temps réel, et décrit Deltaflow 2 comme une plateforme basée sur FPGA qui intègre un décodeur matériel propriétaire avec des fonctions d’acheminement des données et de traitement en temps réel.

Recevez la newsletter de DesignQuantum

Actualités et articles de fond gratuits sur l’informatique quantique, chaque affirmation étant liée à sa source. Quotidienne, hebdomadaire ou mensuelle, au choix.

Website

Adresse e-mail FréquenceQuotidienneHebdomadaireMensuelle LangueEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית M’abonner gratuitement

Gratuit. Désabonnement en un clic à tout moment. Politique de confidentialité

Les détails techniques

La nouvelle collaboration est centrée sur le réétalonnage des décodeurs : la mise à jour des poids du modèle d’erreur utilisés par un décodeur à mesure que le comportement des qubits évolue. Dans sa mise à jour technique du 14 octobre, Riverlane explique que les qubits dérivent au fil du temps à mesure que les fréquences, les défauts et les performances des portes changent, ce qui rend les poids statiques du décodeur moins précis.

Pour y remédier, Riverlane a adapté son Local Clustering Decoder au traitement par lots sur un seul GPU NVIDIA H100. Selon Riverlane, une époque d’entraînement sur le code de surface, qui prenait trois minutes sur un seul cœur de CPU, a été ramenée à 2,8 secondes sur le H100.

Riverlane a également fait état d’un gain majeur en débit brut de décodage. Sur le code de surface, le H100 a traité environ 4,2 millions de syndromes par seconde, contre environ 59 000 sur un seul cœur de CPU. Quantum Computing Report a résumé cela comme plus de 4 millions de syndromes par seconde et une accélération d’environ 70x.

L’entreprise a indiqué que l’accélération est plus faible au niveau d’une époque d’entraînement complète qu’au niveau du seul décodage, car une partie du travail reste en dehors de l’accélération GPU, notamment la mise à jour de la politique et la construction des poids candidats. Riverlane a également comparé le GPU à des exécutions sur CPU multicœurs, affirmant que 32 cœurs de CPU amélioraient le temps d’une époque sur le code de surface d’environ 23x par rapport à un seul cœur, mais qu’un seul H100 restait environ 3x plus rapide sur le code de surface et 2x plus rapide sur le code de répétition.

Selon Riverlane, les poids entraînés peuvent améliorer sensiblement la précision du décodeur, en réduisant le taux d’erreur logique de quelques pourcents jusqu’à un facteur deux, selon le code. Ces résultats ont été partagés dans une mise à jour technique de l’entreprise plutôt que dans un article évalué par les pairs.

Pourquoi c’est important

La QEC en temps réel n’est pas seulement contrainte par la latence du décodeur pendant une expérience, mais aussi par la vitesse à laquelle le décodeur peut être réétalonné entre deux exécutions. Si le réétalonnage prend trop de temps, le matériel peut de nouveau dériver avant le début de l’expérience suivante.

C’est pourquoi l’aspect GPU est important. Quantum Computing Report indique que cette collaboration ouvre la voie à une boucle de contrôle QPU-GPU étroitement couplée, dans laquelle l’accélération GPU met à jour le modèle de bruit physique et alimente du matériel de décodage à faible latence comme des ASIC ou des FPGA. Dans ses propres documents, Riverlane présente Deltaflow comme une voie vers des qubits logiques évolutifs à travers différentes modalités de qubits et différents schémas de QEC.

Ce qu’il faut surveiller

La question immédiate est de savoir à quelle vitesse ces flux de travail d’étalonnage passeront de démonstrations techniques à des piles de contrôle en production. Riverlane affirme que Deltaflow 2 se connecte directement à la pile de contrôle quantique pour un fonctionnement à faible latence, et sa mise à jour technique soutient qu’un étalonnage plus rapide aide la QEC à suivre l’évolution du comportement du matériel.

Les investisseurs et les concepteurs de systèmes surveilleront également si la participation de NVIDIA au capital conduit à une intégration produit plus poussée autour de CUDA-Q, de l’étalonnage assisté par GPU et de la feuille de route de Riverlane pour ses décodeurs matériels. Pour l’instant, le signal le plus clair à court terme est pratique : selon les mots de Riverlane, le réétalonnage des décodeurs est passé « de plusieurs minutes à quelques secondes ».