NVIDIA, Riverlane’de azınlık hissesi aldı; GPU-QEC çalışmalarını genişletti

Quantum Computing Report’ta 22 Ekim’de yayımlanan bir habere göre NVIDIA, Cambridge merkezli kuantum hata düzeltme şirketi Riverlane’de stratejik bir azınlık sermaye hissesi edindi. Şirketler ayrıca, Riverlane’in kod çözücü yazılımı ve daha geniş Deltaflow QEC yığınıyla birlikte NVIDIA H100 GPU’ları kullanarak kuantum hata düzeltme için kod çözücü yeniden kalibrasyonunu hızlandırmayı amaçlayan teknik çalışmaları da genişlettiklerini açıkladı.

Neler duyuruldu

Quantum Computing Report, bu yatırımı NVIDIA’nın Birleşik Krallık’taki daha geniş bilgi işlem taahhüdünün bir parçası olarak tanımladı; habere göre bu taahhüdün toplamı $250 million. Aynı haberde, Riverlane anlaşmasının Birleşik Krallık’taki dört yapay zekâ girişimine yapılan kurumsal yatırımlarla birlikte duyurulduğu belirtildi.

Riverlane’in odak noktası kuantum hata düzeltme; yani güvenilir mantıksal kübitleri destekleyecek kadar hızlı şekilde hataları tespit etmeyi ve düzeltmeyi amaçlayan donanım ve yazılım katmanı. Riverlane, internet sitesinde Deltaflow’un gerçek zamanlı QEC sistemi olduğunu söylüyor ve Deltaflow 2’yi, veri yönlendirme ve gerçek zamanlı işleme mantığıyla şirketin özel donanım kod çözücüsünü entegre eden FPGA tabanlı bir platform olarak tanımlıyor.

DesignQuantum bültenine abone olun

Kuantum bilişim üzerine ücretsiz haberler ve açıklayıcı içerikler; her iddia kaynağına bağlantılı. Günlük, haftalık veya aylık seçin.

Website

E-posta adresi SıklıkGünlükHaftalıkAylık DilEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית Ücretsiz abone ol

Ücretsiz. İstediğiniz zaman tek tıklamayla abonelikten çıkabilirsiniz. Gizlilik politikası

Teknik ayrıntılar

Yeni iş birliği, kod çözücü yeniden kalibrasyonuna odaklanıyor: kübit davranışı değiştikçe bir kod çözücü tarafından kullanılan hata modeli ağırlıklarının güncellenmesi. Riverlane, 14 Ekim tarihli teknik güncellemesinde; frekanslar, kusurlar ve kapı performansı değiştikçe kübitlerin zaman içinde sürüklendiğini, bunun da sabit kod çözücü ağırlıklarını daha az doğru hâle getirdiğini söylüyor.

Riverlane bunu ele almak için Local Clustering Decoder’ını tek bir NVIDIA H100 GPU üzerinde toplu işlemeye uyarladı. Riverlane’e göre, tek bir CPU çekirdeğinde üç dakika süren bir surface-code eğitim epoku, H100 üzerinde 2.8 saniyeye indirildi.

Riverlane, ham kod çözme iş hacminde de büyük bir artış bildirdi. Surface code üzerinde H100, saniyede yaklaşık 4.2 million syndrome işledi; bu rakam tek bir CPU çekirdeğinde yaklaşık 59,000 idi. Quantum Computing Report bunu saniyede 4 milyondan fazla syndrome ve yaklaşık 70x hızlanma olarak özetledi.

Şirket, hızlanmanın tam eğitim epoku düzeyinde yalnızca kod çözme düzeyine göre daha düşük olduğunu, çünkü ilke güncelleme ve aday ağırlıkların oluşturulması dâhil bazı işlemlerin hâlâ GPU hızlandırmasının dışında kaldığını söyledi. Riverlane ayrıca GPU’yu çok çekirdekli CPU çalıştırmalarıyla karşılaştırdı ve 32 CPU çekirdeğinin surface-code epok süresini tek çekirdeğe kıyasla yaklaşık 23x iyileştirdiğini, ancak tek bir H100’ün surface code’da yine de yaklaşık 3x, repetition code’da ise 2x daha hızlı olduğunu belirtti.

Riverlane’e göre eğitilmiş ağırlıklar, kullanılan koda bağlı olarak mantıksal hata oranını birkaç yüzde puandan iki kata kadar azaltarak kod çözücü doğruluğunu anlamlı biçimde artırabiliyor. Bu sonuçlar, hakemli bir makalede değil, şirketin teknik güncellemesinde paylaşıldı.

Neden önemli

Gerçek zamanlı QEC, yalnızca deney sırasında kod çözücü gecikmesiyle değil, aynı zamanda çalıştırmalar arasında kod çözücünün ne kadar hızlı yeniden kalibre edilebildiğiyle de sınırlanıyor. Yeniden kalibrasyon çok uzun sürerse, bir sonraki deney başlamadan önce donanım tekrar sürüklenebilir.

GPU boyutunun önemli olmasının nedeni bu. Quantum Computing Report, bu iş birliğinin; GPU hızlandırmanın fiziksel gürültü modelini güncellediği ve bunu ASIC’ler veya FPGA’ler gibi düşük gecikmeli kod çözücü donanımlara aktardığı, sıkı bağlanmış bir QPU-GPU kontrol döngüsüne işaret ettiğini söyledi. Riverlane’in kendi materyalleri de Deltaflow’u, farklı kübit modaliteleri ve QEC şemaları genelinde ölçeklenebilir mantıksal kübitlere giden bir yol olarak konumlandırıyor.

İzlenecek noktalar

Yakındaki temel soru, bu kalibrasyon iş akışlarının teknik gösterimlerden üretim kontrol yığınlarına ne kadar hızlı taşınacağı. Riverlane, Deltaflow 2’nin düşük gecikmeli çalışma için kuantum kontrol yığınına doğrudan bağlandığını söylüyor; teknik güncellemesinde de daha hızlı kalibrasyonun QEC’nin değişen donanım davranışına ayak uydurmasına yardımcı olduğunu savunuyor.

Yatırımcılar ve sistem geliştiriciler ayrıca NVIDIA’nın sermaye pozisyonunun CUDA-Q, GPU destekli kalibrasyon ve Riverlane’in donanım kod çözücü yol haritası etrafında daha derin ürün entegrasyonuna yol açıp açmayacağını da izleyecek. Şimdilik en net kısa vadeli sinyal pratik olanı: Riverlane’in ifadesiyle, kod çözücü yeniden kalibrasyonu “dakikalardan saniyelere” indi.