NVIDIA ambil saham minoritas di Riverlane, perluas kerja GPU-QEC

NVIDIA telah mengakuisisi saham minoritas strategis di Riverlane, perusahaan koreksi kesalahan kuantum yang berbasis di Cambridge, menurut artikel Quantum Computing Report yang diterbitkan pada 22 Oktober. Kedua perusahaan juga mengungkap perluasan pekerjaan teknis yang ditujukan untuk mempercepat kalibrasi ulang decoder untuk koreksi kesalahan kuantum, menggunakan GPU NVIDIA H100 bersama perangkat lunak decoder Riverlane dan tumpukan QEC Deltaflow yang lebih luas.

Apa yang diumumkan

Investasi tersebut digambarkan oleh Quantum Computing Report sebagai bagian dari komitmen komputasi NVIDIA yang lebih luas di UK, yang menurut laporan itu berjumlah $250 million. Laporan yang sama menyebut kesepakatan Riverlane diumumkan bersamaan dengan investasi korporat pada empat perusahaan kecerdasan buatan di UK.

Fokus Riverlane adalah koreksi kesalahan kuantum, lapisan perangkat keras dan perangkat lunak yang dimaksudkan untuk mendeteksi dan memperbaiki kesalahan cukup cepat untuk mendukung qubit logis yang andal. Di situs webnya, Riverlane menyebut Deltaflow sebagai sistem QEC real-time miliknya, dan menggambarkan Deltaflow 2 sebagai platform berbasis FPGA yang mengintegrasikan decoder perangkat keras proprietari dengan perutean data dan logika pemrosesan real-time.

Dapatkan newsletter DesignQuantum

Berita dan artikel penjelas gratis tentang komputasi kuantum, dengan setiap klaim ditautkan ke sumbernya. Pilih harian, mingguan, atau bulanan.

Website

Alamat email FrekuensiHarianMingguanBulanan BahasaEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית Berlangganan gratis

Gratis. Berhenti berlangganan dengan satu klik kapan saja. Kebijakan privasi

Rincian teknis

Kolaborasi baru ini berpusat pada kalibrasi ulang decoder: memperbarui bobot model kesalahan yang digunakan oleh decoder seiring perubahan perilaku qubit. Dalam pembaruan teknis Riverlane pada 14 Oktober, perusahaan itu mengatakan qubit mengalami drift seiring waktu ketika frekuensi, cacat, dan kinerja gerbang berubah, sehingga bobot decoder statis menjadi kurang akurat.

Untuk mengatasi hal itu, Riverlane mengadaptasi Local Clustering Decoder miliknya untuk pemrosesan batch pada satu GPU NVIDIA H100. Menurut Riverlane, satu epoch pelatihan surface code yang memerlukan tiga menit pada satu inti CPU dipangkas menjadi 2.8 detik pada H100.

Riverlane juga melaporkan peningkatan besar dalam throughput decoding mentah. Pada surface code, H100 memproses sekitar 4.2 million syndrome per detik, dibandingkan sekitar 59,000 pada satu inti CPU. Quantum Computing Report merangkum hal itu sebagai lebih dari 4 million syndrome per detik dan percepatan sekitar 70x.

Perusahaan itu mengatakan percepatannya lebih rendah pada level epoch pelatihan penuh dibandingkan pada level decode-only karena sebagian pekerjaan masih berada di luar akselerasi GPU, termasuk memperbarui kebijakan dan membangun bobot kandidat. Riverlane juga membandingkan GPU tersebut dengan eksekusi CPU multi-core, dengan menyatakan bahwa 32 inti CPU meningkatkan waktu epoch surface code sekitar 23x dibandingkan satu inti, tetapi satu H100 masih sekitar 3x lebih cepat pada surface code dan 2x lebih cepat pada repetition code.

Menurut Riverlane, bobot yang telah dilatih dapat secara signifikan meningkatkan akurasi decoder, menurunkan tingkat kesalahan logis dari beberapa persen hingga dua kali lipat, tergantung pada kodenya. Hasil ini dibagikan dalam pembaruan teknis perusahaan, bukan makalah yang ditinjau sejawat.

Mengapa ini penting

QEC real-time dibatasi bukan hanya oleh latensi decoder selama eksperimen, tetapi juga oleh seberapa cepat decoder dapat dikalibrasi ulang di antara eksekusi. Jika kalibrasi ulang memakan waktu terlalu lama, perangkat keras bisa kembali mengalami drift sebelum eksperimen berikutnya dimulai.

Itulah sebabnya aspek GPU ini penting. Quantum Computing Report mengatakan kolaborasi ini mengarah pada loop kontrol QPU-GPU yang terkopel erat, di mana akselerasi GPU memperbarui model noise fisik dan memasok decoder perangkat keras berlatensi rendah seperti ASIC atau FPGA. Materi Riverlane sendiri memosisikan Deltaflow sebagai jalur menuju qubit logis yang dapat diskalakan di berbagai modalitas qubit dan skema QEC.

Yang perlu diperhatikan

Pertanyaan langsungnya adalah seberapa cepat alur kerja kalibrasi ini berpindah dari demonstrasi teknis ke tumpukan kontrol produksi. Riverlane mengatakan Deltaflow 2 terhubung langsung ke tumpukan kontrol kuantum untuk operasi berlatensi rendah, dan pembaruan teknisnya berargumen bahwa kalibrasi yang lebih cepat membantu QEC mengikuti perubahan perilaku perangkat keras.

Investor dan pembangun sistem juga akan mencermati apakah posisi ekuitas NVIDIA mengarah pada integrasi produk yang lebih dalam seputar CUDA-Q, kalibrasi berbantuan GPU, dan roadmap decoder perangkat keras Riverlane. Untuk saat ini, sinyal jangka pendek yang paling jelas bersifat praktis: seperti dikatakan Riverlane, kalibrasi ulang decoder telah berubah “from minutes to seconds.”