NVIDIA neemt minderheidsbelang in Riverlane en breidt GPU-QEC-werk uit

NVIDIA heeft een strategisch minderheidsbelang verworven in Riverlane, het in Cambridge gevestigde quantumfoutcorrectiebedrijf, volgens een artikel van Quantum Computing Report dat op 22 oktober is gepubliceerd. De bedrijven maakten ook bekend dat ze hun technische samenwerking hebben uitgebreid om de herkalibratie van decoders voor quantumfoutcorrectie te versnellen, met gebruik van NVIDIA H100-GPU's in combinatie met Riverlane’s decodersoftware en de bredere Deltaflow QEC-stack.

Wat is aangekondigd

De investering werd door Quantum Computing Report omschreven als onderdeel van NVIDIA’s bredere Britse inzet op computing, die volgens het rapport in totaal $250 miljoen bedraagt. Datzelfde rapport meldde dat de overeenkomst met Riverlane tegelijk werd aangekondigd met bedrijfsinvesteringen in vier Britse ventures op het gebied van kunstmatige intelligentie.

Riverlane richt zich op quantumfoutcorrectie, de hardware- en softwarelaag die bedoeld is om fouten snel genoeg te detecteren en te corrigeren om betrouwbare logische qubits te ondersteunen. Op zijn website zegt Riverlane dat Deltaflow zijn realtime-QEC-systeem is, en beschrijft het Deltaflow 2 als een op FPGA’s gebaseerd platform dat een eigen hardwaredecoder integreert met dataroutering en logica voor realtimeverwerking.

Ontvang de DesignQuantum-nieuwsbrief

Gratis nieuws en achtergrondartikelen over quantumcomputing, met elke bewering gekoppeld aan de bron. Kies dagelijks, wekelijks of maandelijks.

Website

E-mailadres FrequentieDagelijksWekelijksMaandelijks TaalEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית Gratis aanmelden

Gratis. Altijd met één klik af te melden. Privacybeleid

De technische details

De nieuwe samenwerking draait om herkalibratie van decoders: het bijwerken van de foutmodelgewichten die een decoder gebruikt wanneer het gedrag van qubits verandert. In Riverlane’s technische update van 14 oktober zegt het bedrijf dat qubits in de loop van de tijd afdrijven naarmate frequenties, defecten en gateprestaties veranderen, waardoor statische decodergewichten minder nauwkeurig worden.

Om dat aan te pakken, paste Riverlane zijn Local Clustering Decoder aan voor batchverwerking op één NVIDIA H100-GPU. Volgens Riverlane werd één trainingsepoch voor de surface code, die op één CPU-kern drie minuten duurde, op de H100 teruggebracht tot 2.8 seconden.

Riverlane meldde ook een grote verbetering in de ruwe decoderdoorvoer. Bij de surface code verwerkte de H100 ongeveer 4.2 miljoen syndromen per seconde, tegenover ruwweg 59,000 op één CPU-kern. Quantum Computing Report vatte dat samen als meer dan 4 miljoen syndromen per seconde en ongeveer een versnelling van 70x.

Het bedrijf zei dat de versnelling op het niveau van een volledige trainingsepoch lager is dan op het niveau van alleen decoderen, omdat een deel van het werk buiten de GPU-versnelling blijft, waaronder het bijwerken van het beleid en het opbouwen van kandidaatgewichten. Riverlane vergeleek de GPU ook met CPU-runs op meerdere cores en stelde dat 32 CPU-cores de epochtijd voor de surface code met ongeveer 23x verbeterden ten opzichte van één core, maar dat één H100 nog altijd ongeveer 3x sneller was op de surface code en 2x sneller op de repetition code.

Volgens Riverlane kunnen de getrainde gewichten de nauwkeurigheid van de decoder wezenlijk verbeteren, waarbij de logische foutkans met enkele procenten tot een factor twee wordt verlaagd, afhankelijk van de code. Deze resultaten werden gedeeld in een technische update van het bedrijf en niet in een peer-reviewed paper.

Waarom dit van belang is

Realtime-QEC wordt niet alleen beperkt door de decoderlatentie tijdens een experiment, maar ook door de snelheid waarmee de decoder tussen runs opnieuw kan worden gekalibreerd. Als herkalibratie te lang duurt, kan de hardware opnieuw zijn afgedreven voordat het volgende experiment begint.

Daarom is de GPU-invalshoek van belang. Quantum Computing Report zei dat de samenwerking wijst op een nauw gekoppelde QPU-GPU-regellus waarin GPU-versnelling het fysieke ruismodel bijwerkt en gegevens doorgeeft aan hardware met lage latentie voor decodering, zoals ASIC’s of FPGA’s. In Riverlane’s eigen materiaal wordt Deltaflow gepositioneerd als een route naar schaalbare logische qubits over verschillende qubitmodaliteiten en QEC-schema’s heen.

Waarop te letten

De directe vraag is hoe snel deze kalibratieworkflows de stap maken van technische demonstraties naar productiecontrolesystemen. Riverlane zegt dat Deltaflow 2 rechtstreeks verbinding maakt met de quantumcontrolestack voor werking met lage latentie, en in zijn technische update stelt het bedrijf dat snellere kalibratie QEC helpt gelijke tred te houden met veranderend hardwaregedrag.

Investeerders en systeembouwers zullen ook volgen of NVIDIA’s aandelenbelang leidt tot diepere productintegratie rond CUDA-Q, GPU-ondersteunde kalibratie en Riverlane’s roadmap voor hardwaredecoders. Voorlopig is het duidelijkste signaal op korte termijn praktisch van aard: zoals Riverlane het verwoordde, is herkalibratie van decoders gegaan van “minuten naar seconden.”