NVIDIA acquisisce una quota di minoranza in Riverlane ed espande il lavoro su GPU-QEC

NVIDIA ha acquisito una quota strategica di minoranza nel capitale di Riverlane, l’azienda di Cambridge specializzata nella correzione degli errori quantistici, secondo un articolo di Quantum Computing Report pubblicato il 22 ottobre. Le aziende hanno inoltre reso noto un ampliamento del lavoro tecnico volto ad accelerare la ricalibrazione del decoder per la correzione degli errori quantistici, utilizzando GPU NVIDIA H100 insieme al software di decoding di Riverlane e al più ampio stack QEC Deltaflow.

Che cosa è stato annunciato

L’investimento è stato descritto da Quantum Computing Report come parte del più ampio impegno di NVIDIA nel Regno Unito nel calcolo, che secondo il report ammonta complessivamente a $250 million. Lo stesso report afferma che l’operazione con Riverlane è stata annunciata insieme a investimenti societari in quattro iniziative britanniche nel campo dell’intelligenza artificiale.

Riverlane si concentra sulla correzione degli errori quantistici, il livello hardware e software progettato per rilevare e correggere gli errori abbastanza rapidamente da supportare qubit logici affidabili. Sul proprio sito, Riverlane afferma che Deltaflow è il suo sistema QEC in tempo reale e descrive Deltaflow 2 come una piattaforma basata su FPGA che integra un decoder hardware proprietario con instradamento dei dati e logica di elaborazione in tempo reale.

Ricevi la newsletter di DesignQuantum

Notizie e approfondimenti gratuiti sul quantum computing, con ogni affermazione collegata alla sua fonte. Scegli tra giornaliera, settimanale o mensile.

Website

Indirizzo email FrequenzaGiornalieraSettimanaleMensile LinguaEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית Iscriviti gratis

Gratis. Puoi annullare l’iscrizione con un clic in qualsiasi momento. Informativa sulla privacy

I dettagli tecnici

La nuova collaborazione si concentra sulla ricalibrazione del decoder: l’aggiornamento dei pesi del modello di errore usati da un decoder man mano che il comportamento dei qubit cambia. Nell’aggiornamento tecnico del 14 ottobre di Riverlane, l’azienda afferma che i qubit derivano nel tempo, con il cambiamento di frequenze, difetti e prestazioni delle porte logiche, rendendo meno accurati i pesi statici del decoder.

Per affrontare questo problema, Riverlane ha adattato il suo Local Clustering Decoder all’elaborazione batch su una singola GPU NVIDIA H100. Secondo Riverlane, un’epoca di addestramento del codice di superficie che richiedeva tre minuti su un singolo core CPU è stata ridotta a 2.8 secondi sulla H100.

Riverlane ha inoltre riportato un forte incremento nel throughput grezzo di decoding. Sul codice di superficie, la H100 ha elaborato circa 4.2 million sindromi al secondo, contro circa 59,000 su un singolo core CPU. Quantum Computing Report ha riassunto il risultato come oltre 4 million sindromi al secondo e un’accelerazione di circa 70x.

L’azienda ha affermato che l’accelerazione è inferiore a livello di epoca di addestramento completa rispetto al solo decoding, perché parte del lavoro resta fuori dall’accelerazione GPU, compreso l’aggiornamento della policy e la costruzione dei pesi candidati. Riverlane ha anche confrontato la GPU con esecuzioni CPU multi-core, affermando che 32 core CPU hanno migliorato il tempo di epoca del codice di superficie di circa 23x rispetto a un solo core, ma che una singola H100 era comunque circa 3x più veloce sul codice di superficie e 2x più veloce sul repetition code.

Secondo Riverlane, i pesi addestrati possono migliorare in modo sostanziale l’accuratezza del decoder, riducendo il tasso di errore logico di diversi punti percentuali fino a un fattore due, a seconda del codice. Questi risultati sono stati condivisi in un aggiornamento tecnico aziendale e non in un articolo sottoposto a peer review.

Perché è importante

La QEC in tempo reale è vincolata non solo dalla latenza del decoder durante un esperimento, ma anche dalla velocità con cui il decoder può essere ricalibrato tra un’esecuzione e l’altra. Se la ricalibrazione richiede troppo tempo, l’hardware potrebbe derivare di nuovo prima dell’inizio dell’esperimento successivo.

È per questo che l’aspetto legato alle GPU è importante. Quantum Computing Report ha affermato che la collaborazione punta verso un loop di controllo QPU-GPU strettamente accoppiato, in cui l’accelerazione GPU aggiorna il modello di rumore fisico e alimenta hardware di decoding a bassa latenza come ASIC o FPGA. Nei propri materiali, Riverlane presenta Deltaflow come un percorso verso qubit logici scalabili attraverso diverse modalità di qubit e schemi QEC.

Che cosa osservare

La domanda immediata è quanto rapidamente questi flussi di lavoro di calibrazione passeranno dalle dimostrazioni tecniche agli stack di controllo in produzione. Riverlane afferma che Deltaflow 2 si collega direttamente allo stack di controllo quantistico per operazioni a bassa latenza, e il suo aggiornamento tecnico sostiene che una calibrazione più rapida aiuta la QEC a tenere il passo con il comportamento mutevole dell’hardware.

Anche investitori e costruttori di sistemi osserveranno se la partecipazione azionaria di NVIDIA porterà a una più profonda integrazione di prodotto attorno a CUDA-Q, alla calibrazione assistita da GPU e alla roadmap del decoder hardware di Riverlane. Per ora, il segnale pratico più chiaro nel breve termine è questo: come l’ha detto Riverlane, la ricalibrazione del decoder è passata “da minuti a secondi”.