NVIDIA obejmuje mniejszościowy udział w Riverlane i rozszerza prace nad GPU-QEC

Według artykułu Quantum Computing Report opublikowanego 22 października NVIDIA objęła strategiczny mniejszościowy pakiet udziałów w Riverlane, firmie z Cambridge zajmującej się kwantową korekcją błędów. Spółki ujawniły również rozszerzenie współpracy technicznej, której celem jest przyspieszenie rekalkibracji dekodera na potrzeby kwantowej korekcji błędów z wykorzystaniem układów NVIDIA H100 wraz z oprogramowaniem dekodera Riverlane i szerszym stosem QEC Deltaflow.

Co ogłoszono

Quantum Computing Report opisał tę inwestycję jako część szerszego zobowiązania NVIDIA wobec brytyjskiej infrastruktury obliczeniowej, którego wartość — jak podaje raport — wynosi 250 mln USD. Ten sam raport stwierdza, że transakcję z Riverlane ogłoszono równolegle z inwestycjami korporacyjnymi w cztery brytyjskie przedsięwzięcia z obszaru sztucznej inteligencji.

Riverlane koncentruje się na kwantowej korekcji błędów — warstwie sprzętowo-programowej przeznaczonej do wykrywania i korygowania błędów wystarczająco szybko, by umożliwić niezawodne kubity logiczne. Na swojej stronie internetowej Riverlane podaje, że Deltaflow to jego system QEC czasu rzeczywistego, a Deltaflow 2 opisuje jako platformę opartą na FPGA, która integruje własnościowy sprzętowy dekoder z trasowaniem danych i logiką przetwarzania w czasie rzeczywistym.

Zapisz się na newsletter DesignQuantum

Bezpłatne wiadomości i materiały objaśniające o obliczeniach kwantowych, a każde twierdzenie z linkiem do źródła. Wybierz: codziennie, co tydzień lub co miesiąc.

Website

Adres e-mail CzęstotliwośćCodziennieCo tydzieńCo miesiąc JęzykEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית Zapisz się za darmo

Bezpłatnie. Wypiszesz się w każdej chwili jednym kliknięciem. Polityka prywatności

Szczegóły techniczne

Nowa współpraca koncentruje się na rekalibracji dekodera: aktualizowaniu wag modelu błędów używanych przez dekoder w miarę zmian zachowania kubitów. W aktualizacji technicznej Riverlane z 14 października firma podaje, że kubity z czasem dryfują wraz ze zmianami częstotliwości, defektów i wydajności bramek, przez co statyczne wagi dekodera stają się mniej dokładne.

Aby temu zaradzić, Riverlane dostosowała swój Local Clustering Decoder do przetwarzania wsadowego na pojedynczym układzie NVIDIA H100 GPU. Według Riverlane jedna epoka treningowa dla kodu powierzchniowego, która na pojedynczym rdzeniu CPU zajmowała trzy minuty, została skrócona do 2,8 sekundy na H100.

Riverlane poinformowała także o dużym wzroście surowej przepustowości dekodowania. W przypadku kodu powierzchniowego H100 przetwarzał około 4,2 mln syndromów na sekundę, wobec około 59 000 na pojedynczym rdzeniu CPU. Quantum Computing Report podsumował to jako ponad 4 mln syndromów na sekundę i około 70-krotne przyspieszenie.

Firma zaznaczyła, że przyspieszenie na poziomie pełnej epoki treningowej jest mniejsze niż na poziomie samego dekodowania, ponieważ część pracy nadal pozostaje poza akceleracją GPU, w tym aktualizowanie polityki i budowanie wag kandydackich. Riverlane porównała też GPU z uruchomieniami na wielordzeniowym CPU, podając, że 32 rdzenie CPU skróciły czas epoki dla kodu powierzchniowego około 23-krotnie względem jednego rdzenia, ale pojedynczy H100 był nadal około 3 razy szybszy dla kodu powierzchniowego i 2 razy szybszy dla kodu repetycyjnego.

Według Riverlane wytrenowane wagi mogą istotnie poprawić dokładność dekodera, zmniejszając współczynnik błędów logicznych o kilka procent aż do dwukrotności, zależnie od kodu. Wyniki te przedstawiono w firmowej aktualizacji technicznej, a nie w recenzowanej publikacji naukowej.

Dlaczego to ma znaczenie

QEC czasu rzeczywistego ogranicza nie tylko opóźnienie dekodera podczas eksperymentu, lecz także to, jak szybko można przeprowadzić jego rekalibrację między kolejnymi uruchomieniami. Jeśli rekalibracja trwa zbyt długo, sprzęt może ponownie zdryfować, zanim rozpocznie się następny eksperyment.

Właśnie dlatego aspekt GPU ma znaczenie. Quantum Computing Report napisał, że współpraca wskazuje na ściśle sprzężoną pętlę sterowania QPU-GPU, w której akceleracja GPU aktualizuje model szumu fizycznego i zasila niskolatencyjny sprzęt dekodujący, taki jak ASIC lub FPGA. W materiałach Riverlane Deltaflow jest przedstawiany jako droga do skalowalnych kubitów logicznych w różnych modalnościach kubitów i schematach QEC.

Na co zwrócić uwagę

Najbliższym pytaniem jest to, jak szybko te procesy kalibracyjne przejdą od demonstracji technicznych do produkcyjnych stosów sterowania. Riverlane podaje, że Deltaflow 2 łączy się bezpośrednio ze stosem sterowania kwantowego w celu działania z niskimi opóźnieniami, a w swojej aktualizacji technicznej argumentuje, że szybsza kalibracja pomaga QEC nadążać za zmieniającym się zachowaniem sprzętu.

Inwestorzy i twórcy systemów będą również obserwować, czy udział kapitałowy NVIDIA doprowadzi do głębszej integracji produktowej wokół CUDA-Q, kalibracji wspomaganej przez GPU oraz planów Riverlane dotyczących sprzętowych dekoderów. Na razie najbardziej wyraźny sygnał w krótkim terminie jest praktyczny: jak ujęła to Riverlane, rekalibracja dekodera przeszła „z minut do sekund”.