Qblox koppelt NVIDIA DGX Spark aan quantumaansturing met een latentie van minder dan 7,2 µs
Qblox zegt NVIDIA DGX Spark via NVQLink te hebben geïntegreerd met zijn quantumcontroller, gericht op realtime kalibratie en foutcorrectie.
Deze pagina is vertaald vanuit het Engels. Bedrijfs- en productnamen en bronlinks zijn ongewijzigd. Lees het origineel in het Engels
Qblox zegt NVIDIA’s desktop-AI-systeem DGX Spark met zijn quantum-systeemcontroller te hebben verbonden via NVIDIA NVQLink, met een gemeten retourlatentie van minder dan 7,2 microseconden op DGX Spark en minder dan 4,0 microseconden op een NVIDIA RTX PRO 6000 Blackwell. Volgens de aankondiging van het bedrijf is het doel om GPU-computing rechtstreeks in de realtime-regellus van quantumaansturing te plaatsen voor workloads zoals kalibratie en quantumfoutcorrectie.
Wat is aangekondigd
De aankondiging, gepubliceerd op 22 oktober, markeert een volgende stap in het werk van Qblox met NVIDIA rond hybride quantum-klassieke computing. Qblox zegt dat de nieuwe opzet zijn controlestack combineert met NVIDIA DGX Spark, zodat één desktopmachine quantum-, AI- en simulatieworkloads kan hosten via CUDA-Q.
Volgens de aankondiging kunnen ontwikkelaars applicaties bouwen op desktophardware en vervolgens dezelfde code verplaatsen naar GPU-servers naarmate systemen opschalen. NVIDIA omschrijft CUDA-Q als een open quantumcomputingplatform dat CPU-, GPU- en QPU-resources in één programma samenbrengt.
Qblox-CEO en medeoprichter Niels Bultink zei dat klassieke aansturing een beperkende factor zal zijn bij het opschalen van quantumcomputers, en voegde eraan toe dat de integratie bedoeld is om GPU’s onderdeel te maken van dat aansturingspad.
De technische details
Qblox schrijft de verbinding met lage latentie toe aan zijn Q1-sequentieprocessors en LINQ-interconnect, die volgens het bedrijf de doorvoer leveren die nodig is om zijn Cluster-aansturingssysteem naast GPU’s te laten werken. In deze architectuur kunnen door GPU’s versnelde routines qubitparameters bijwerken terwijl experimenten draaien, in plaats van alleen tussen runs.
Het bedrijf zegt ook dat syndroomdata voor quantumfoutcorrectie naar GPU-gebaseerde decoders kunnen worden gestuurd met voldoende lage latentie om realtime identificatie en correctie van fouten te ondersteunen. Dat is een belangrijk onderscheid: in veel hybride workflows bevindt klassieke post-processing zich buiten het kritieke tijdpad, terwijl het hier expliciete doel is om direct deel te nemen aan live aansturing.
De gerapporteerde metingen zijn hardwarespecifiek. Qblox zegt dat de retourlatentie uitkwam op minder dan 4,0 microseconden op de RTX PRO 6000 Blackwell en minder dan 7,2 microseconden op DGX Spark. De aankondiging geeft geen uitgebreidere benchmarkmethodologie of onafhankelijke validatie.
Waarom dit belangrijk is
Voor quantumprocessors wordt snelle klassieke feedback steeds belangrijker naarmate systemen evolueren naar complexere kalibratie- en foutcorrectieroutines. Als GPU’s in de regelkring kunnen worden opgenomen zonder te veel extra vertraging toe te voegen, kunnen ze rekentechnisch zware taken afhandelen die lastig uit te voeren zouden zijn met alleen besturingselektronica met vaste functies.
Dat is vooral relevant voor decoderworkloads bij foutcorrectie en voor adaptieve kalibratie, waarbij beslissingen snel genoeg moeten worden genomen om invloed te hebben op het lopende experiment. De aankondiging van Qblox wijst op een poging om ontwikkeling op labschaal en uitrol op grotere schaal te overbruggen door hetzelfde CUDA-Q-softwarepad te gebruiken op zowel desktops als GPU-systemen in datacenters.
Waar je op moet letten
Deze nieuwste stap bouwt voort op eerdere mijlpalen die Qblox noemt: eerder werk met NVQLink dat in oktober 2025 werd aangekondigd en ondersteuning voor de realtime API van CUDA-Q in maart 2026. De nieuwe claim gaat niet over een toekomstige architectuur, maar over gemeten prestaties op hardware die nu met de controller van het bedrijf is geïntegreerd.
De volgende vragen zijn praktische. Onderzoekers en klanten zullen willen zien hoe de latentiecijfers zich vertalen naar specifieke toepassingen, hoe breed de aanpak past bij verschillende qubitmodaliteiten, en of het end-to-end-systeem deze timings kan volhouden onder grotere experimentele belasting. Voor nu wijst de aankondiging op een duidelijkere rol voor GPU’s binnen quantumaansturing, niet alleen ernaast.
Bronnen
De feiten op deze pagina zijn afkomstig uit onderstaande bronnen, verzameld door DesignQuantum.
- Qblox Integrates NVIDIA DGX Spark With Quantum System Controller thequantuminsider.com
- NVIDIA CUDA-Q developer.nvidia.com