NVIDIA compra participação minoritária na Riverlane e amplia trabalho em GPU-QEC

A NVIDIA adquiriu uma participação acionária minoritária estratégica na Riverlane, empresa de correção de erros quânticos sediada em Cambridge, de acordo com um artigo do Quantum Computing Report publicado em 22 de outubro. As empresas também divulgaram a ampliação do trabalho técnico voltado a acelerar a recalibração de decodificadores para correção de erros quânticos, usando GPUs NVIDIA H100 em conjunto com o software de decodificação da Riverlane e a stack mais ampla Deltaflow QEC.

O que foi anunciado

O investimento foi descrito pelo Quantum Computing Report como parte do compromisso mais amplo da NVIDIA com computação no Reino Unido, que, segundo a reportagem, totaliza $250 million. A mesma reportagem disse que o acordo com a Riverlane foi anunciado ao lado de investimentos corporativos em quatro empresas britânicas de inteligência artificial.

O foco da Riverlane é a correção de erros quânticos, a camada de hardware e software destinada a detectar e corrigir erros com rapidez suficiente para viabilizar qubits lógicos confiáveis. Em seu site, a Riverlane afirma que Deltaflow é seu sistema de QEC em tempo real e descreve o Deltaflow 2 como uma plataforma baseada em FPGA que integra um decodificador de hardware proprietário com roteamento de dados e lógica de processamento em tempo real.

Receba a newsletter da DesignQuantum

Notícias e guias gratuitos sobre computação quântica, com cada afirmação vinculada à sua fonte. Escolha diária, semanal ou mensal.

Website

E-mail FrequênciaDiáriaSemanalMensal IdiomaEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית Inscrever-me grátis

Grátis. Cancele a inscrição com um clique quando quiser. Política de privacidade

Os detalhes técnicos

A nova colaboração se concentra na recalibração do decodificador: a atualização dos pesos do modelo de erro usados por um decodificador à medida que o comportamento dos qubits muda. Em sua atualização técnica de 14 de outubro, a Riverlane diz que os qubits derivam ao longo do tempo à medida que frequências, defeitos e desempenho de portas mudam, tornando os pesos estáticos do decodificador menos precisos.

Para lidar com isso, a Riverlane adaptou seu Local Clustering Decoder para processamento em lote em uma única GPU NVIDIA H100. Segundo a Riverlane, uma época de treinamento do código de superfície que levava três minutos em um único núcleo de CPU foi reduzida para 2.8 segundos na H100.

A Riverlane também relatou um grande ganho no throughput bruto de decodificação. No código de superfície, a H100 processou cerca de 4.2 milhões de síndromes por segundo, contra aproximadamente 59,000 em um único núcleo de CPU. O Quantum Computing Report resumiu isso como mais de 4 milhões de síndromes por segundo e cerca de um ganho de velocidade de 70x.

A empresa disse que o ganho de velocidade é menor no nível da época completa de treinamento do que no nível apenas de decodificação porque parte do trabalho continua fora da aceleração por GPU, incluindo a atualização da política e a construção de pesos candidatos. A Riverlane também comparou a GPU com execuções em CPU multinúcleo, afirmando que 32 núcleos de CPU melhoraram o tempo de época do código de superfície em cerca de 23x em relação a um núcleo, mas que uma única H100 ainda foi cerca de 3x mais rápida no código de superfície e 2x mais rápida no código de repetição.

Segundo a Riverlane, os pesos treinados podem melhorar materialmente a precisão do decodificador, reduzindo a taxa de erro lógico em vários por cento até um fator de dois, dependendo do código. Esses resultados foram compartilhados em uma atualização técnica da empresa, e não em um artigo revisado por pares.

Por que isso importa

O QEC em tempo real é limitado não apenas pela latência do decodificador durante um experimento, mas também pela rapidez com que o decodificador pode ser recalibrado entre execuções. Se a recalibração demorar demais, o hardware pode voltar a derivar antes do início do experimento seguinte.

É por isso que o aspecto das GPUs importa. O Quantum Computing Report disse que a colaboração aponta para um loop de controle QPU-GPU fortemente acoplado, no qual a aceleração por GPU atualiza o modelo de ruído físico e alimenta hardware de decodificação de baixa latência, como ASICs ou FPGAs. Os próprios materiais da Riverlane posicionam o Deltaflow como um caminho para qubits lógicos escaláveis em diferentes modalidades de qubits e esquemas de QEC.

O que observar

A questão imediata é com que rapidez esses fluxos de trabalho de calibração passarão de demonstrações técnicas para stacks de controle de produção. A Riverlane afirma que o Deltaflow 2 se conecta diretamente à stack de controle quântico para operação de baixa latência, e sua atualização técnica argumenta que uma calibração mais rápida ajuda o QEC a acompanhar as mudanças no comportamento do hardware.

Investidores e construtores de sistemas também observarão se a participação acionária da NVIDIA levará a uma integração de produto mais profunda em torno de CUDA-Q, calibração assistida por GPU e o roadmap de decodificadores de hardware da Riverlane. Por enquanto, o sinal mais claro de curto prazo é prático: como colocou a Riverlane, a recalibração de decodificadores passou “de minutos para segundos”.