NVIDIA, Riverlane 지분 소수 투자… GPU-QEC 협력 확대

NVIDIA가 케임브리지에 본사를 둔 양자 오류 정정 기업 Riverlane의 전략적 소수 지분을 확보했다고 10월 22일 게재된 Quantum Computing Report 기사가 전했다. 양사는 또한 Riverlane의 디코더 소프트웨어와 더 넓은 Deltaflow QEC 스택에 NVIDIA H100 GPU를 결합해, 양자 오류 정정을 위한 디코더 재보정을 가속하는 기술 협력을 확대했다고 밝혔다.

발표 내용

Quantum Computing Report는 이번 투자가 NVIDIA의 더 넓은 영국 컴퓨팅 투자 계획의 일부라고 설명했으며, 해당 보고서에 따르면 그 규모는 총 2억5000만 달러다. 같은 보고서는 Riverlane 거래가 영국의 인공지능 벤처 4곳에 대한 기업 투자와 함께 발표됐다고 전했다.

Riverlane가 주력하는 분야는 양자 오류 정정으로, 이는 신뢰할 수 있는 논리 큐비트를 지원할 수 있을 만큼 빠르게 오류를 탐지하고 수정하기 위한 하드웨어·소프트웨어 계층이다. Riverlane는 자사 웹사이트에서 Deltaflow를 실시간 QEC 시스템이라고 소개하며, Deltaflow 2는 독자적인 하드웨어 디코더를 데이터 라우팅 및 실시간 처리 로직과 통합한 FPGA 기반 플랫폼이라고 설명한다.

DesignQuantum 뉴스레터 구독하기

양자 컴퓨팅 뉴스와 해설을 무료로 받아보세요. 모든 주장에는 출처 링크가 있습니다. 매일, 매주 또는 매월 중에서 선택하세요.

Website

이메일 주소 발송 빈도매일매주매월 언어EnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית 무료 구독

무료입니다. 언제든 클릭 한 번으로 구독을 해지할 수 있습니다. 개인정보 처리방침

기술적 세부 사항

이번 협력의 핵심은 디코더 재보정이다. 이는 큐비트의 동작이 변함에 따라 디코더가 사용하는 오류 모델 가중치를 갱신하는 작업이다. Riverlane는 10월 14일 기술 업데이트에서 주파수, 결함, 게이트 성능이 변하면서 시간이 지남에 따라 큐비트가 드리프트하고, 그 결과 고정된 디코더 가중치의 정확도가 떨어진다고 설명했다.

이를 해결하기 위해 Riverlane는 자사의 Local Clustering Decoder를 단일 NVIDIA H100 GPU에서 배치 처리할 수 있도록 조정했다. Riverlane에 따르면 단일 CPU 코어에서 3분이 걸리던 표면 코드 학습 에폭 1회가 H100에서는 2.8초로 줄었다.

Riverlane는 원시 디코딩 처리량에서도 큰 향상이 있었다고 밝혔다. 표면 코드에서 H100은 초당 약 420만 개의 신드롬을 처리했으며, 단일 CPU 코어의 약 5만9000개와 비교된다. Quantum Computing Report는 이를 초당 400만 개가 넘는 신드롬 처리량과 약 70배의 속도 향상으로 요약했다.

회사는 일부 작업이 여전히 GPU 가속 범위 밖에 남아 있기 때문에, 정책 업데이트와 후보 가중치 생성 등을 포함해 전체 학습 에폭 기준의 가속 폭이 디코딩만 수행할 때보다 더 낮다고 설명했다. Riverlane는 또한 GPU와 멀티코어 CPU 실행을 비교하며, CPU 코어 32개를 사용하면 표면 코드 에폭 시간이 1개 코어 대비 약 23배 개선됐지만, 단일 H100이 여전히 표면 코드에서는 약 3배, 반복 코드에서는 2배 더 빨랐다고 밝혔다.

Riverlane에 따르면 학습된 가중치는 디코더 정확도를 실질적으로 개선할 수 있으며, 코드에 따라 논리 오류율을 수%에서 최대 2배까지 낮출 수 있다. 이러한 결과는 동료 심사를 거친 논문이 아니라 회사의 기술 업데이트를 통해 공유됐다.

왜 중요한가

실시간 QEC는 실험 중 디코더 지연시간뿐 아니라, 실험 사이에 디코더를 얼마나 빠르게 재보정할 수 있는지에도 제약을 받는다. 재보정에 너무 오랜 시간이 걸리면 다음 실험이 시작되기 전에 하드웨어가 다시 드리프트할 수 있기 때문이다.

바로 이 점에서 GPU의 의미가 있다. Quantum Computing Report는 이번 협력이 GPU 가속으로 물리적 잡음 모델을 업데이트하고, 그 결과를 ASIC나 FPGA 같은 저지연 디코더 하드웨어에 공급하는 긴밀하게 결합된 QPU-GPU 제어 루프로 이어질 가능성을 시사한다고 전했다. Riverlane의 자체 자료 역시 Deltaflow를 서로 다른 큐비트 방식과 QEC 체계 전반에서 확장 가능한 논리 큐비트로 가는 경로로 제시하고 있다.

주목할 점

당장의 질문은 이러한 보정 워크플로가 기술 시연 단계에서 실제 운영 제어 스택으로 얼마나 빨리 옮겨가느냐다. Riverlane는 Deltaflow 2가 저지연 동작을 위해 양자 제어 스택에 직접 연결된다고 밝혔고, 기술 업데이트에서는 더 빠른 보정이 변화하는 하드웨어 동작에 맞춰 QEC가 속도를 유지하는 데 도움이 된다고 주장했다.

투자자와 시스템 구축 기업들은 NVIDIA의 지분 투자가 CUDA-Q, GPU 지원 보정, 그리고 Riverlane의 하드웨어 디코더 로드맵을 둘러싼 더 깊은 제품 통합으로 이어질지도 지켜볼 것이다. 현재로서 가장 분명한 단기 신호는 실용적인 것이다. Riverlane의 표현대로, 디코더 재보정은 “수분에서 수초로” 단축됐다.