NVIDIA купує міноритарну частку в Riverlane, розширює роботу над GPU-QEC

NVIDIA придбала стратегічну міноритарну частку в капіталі Riverlane, кембриджської компанії у сфері квантової корекції помилок, ідеться в матеріалі Quantum Computing Report, опублікованому 22 жовтня. Компанії також повідомили про розширення технічної співпраці, спрямованої на прискорення перекалібрування декодера для квантової корекції помилок із використанням GPU NVIDIA H100 разом із програмним забезпеченням декодера Riverlane та ширшим стеком Deltaflow QEC.

Що оголосили

Quantum Computing Report описав цю інвестицію як частину ширшого зобов’язання NVIDIA щодо обчислювальної інфраструктури у Великій Британії, загальний обсяг якого, за даними видання, становить $250 million. У тому ж матеріалі йдеться, що угоду з Riverlane оголосили разом із корпоративними інвестиціями у чотири британські компанії у сфері штучного інтелекту.

Riverlane зосереджується на квантовій корекції помилок — апаратно-програмовому рівні, призначеному для виявлення та виправлення помилок достатньо швидко, щоб забезпечити надійні логічні кубіти. На своєму сайті Riverlane пише, що Deltaflow — це її система QEC реального часу, а Deltaflow 2 описує як платформу на базі FPGA, яка поєднує пропрієтарний апаратний декодер із маршрутизацією даних і логікою обробки в реальному часі.

Підпишіться на розсилку DesignQuantum

Безкоштовні новини та пояснювальні матеріали про квантові обчислення, кожне твердження з посиланням на джерело. Щодня, щотижня або щомісяця, на ваш вибір.

Website

Адреса електронної пошти ЧастотаЩодняЩотижняЩомісяця МоваEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית Підписатися безкоштовно

Безкоштовно. Відписатися можна будь-коли одним клацанням. Політика конфіденційності

Технічні деталі

Нова співпраця зосереджена на перекалібруванні декодера: оновленні ваг моделі помилок, які використовує декодер, у міру зміни поведінки кубітів. У технічному оновленні Riverlane від 14 жовтня компанія зазначає, що кубіти з часом дрейфують, оскільки змінюються частоти, дефекти та якість вентильних операцій, через що статичні ваги декодера стають менш точними.

Щоб вирішити цю проблему, Riverlane адаптувала свій Local Clustering Decoder для пакетної обробки на одному GPU NVIDIA H100. За даними Riverlane, одна епоха навчання для поверхневого коду, яка займала три хвилини на одному ядрі CPU, на H100 скоротилася до 2,8 секунди.

Riverlane також повідомила про суттєве зростання сирої пропускної здатності декодування. Для поверхневого коду H100 обробляв близько 4,2 million синдромів за секунду проти приблизно 59,000 на одному ядрі CPU. Quantum Computing Report підсумував це як понад 4 million синдромів за секунду і приблизно 70-кратне прискорення.

Компанія зазначила, що прискорення на рівні повної епохи навчання менше, ніж на рівні лише декодування, оскільки частина роботи все ще виконується поза межами GPU-прискорення, зокрема оновлення політики та побудова кандидатних ваг. Riverlane також порівняла GPU із багатоядерними запусками на CPU, зазначивши, що 32 ядра CPU скорочували час епохи для поверхневого коду приблизно в 23 рази порівняно з одним ядром, але один H100 все одно був приблизно в 3 рази швидшим на поверхневому коді та в 2 рази швидшим на коді повторення.

За даними Riverlane, навчені ваги можуть істотно підвищити точність декодера, знижуючи рівень логічних помилок на кілька відсотків — аж до дворазового зменшення залежно від коду. Ці результати були представлені в технічному оновленні компанії, а не в рецензованій науковій статті.

Чому це важливо

QEC у реальному часі обмежується не лише затримкою декодера під час експерименту, а й тим, наскільки швидко декодер можна перекалібрувати між запусками. Якщо перекалібрування триває надто довго, апаратна система може знову зазнати дрейфу ще до початку наступного експерименту.

Саме тому аспект GPU має значення. Quantum Computing Report зазначає, що ця співпраця вказує на тісно пов’язаний контур керування QPU-GPU, у якому GPU-прискорення оновлює модель фізичного шуму та подає дані на апаратні декодери з низькою затримкою, такі як ASIC або FPGA. У власних матеріалах Riverlane позиціонує Deltaflow як шлях до масштабованих логічних кубітів у різних модальностях кубітів і схемах QEC.

На що звернути увагу

Безпосереднє питання полягає в тому, як швидко ці робочі процеси калібрування перейдуть від технічних демонстрацій до промислових стеків керування. Riverlane каже, що Deltaflow 2 підключається безпосередньо до стеку квантового керування для роботи з низькою затримкою, а в її технічному оновленні стверджується, що швидше калібрування допомагає QEC встигати за змінами в поведінці апаратного забезпечення.

Інвестори та розробники систем також стежитимуть, чи приведе частка NVIDIA в капіталі до глибшої інтеграції продуктів навколо CUDA-Q, калібрування з підтримкою GPU та дорожньої карти апаратних декодерів Riverlane. Наразі найочевидніший короткостроковий сигнал є практичним: як висловилася Riverlane, перекалібрування декодера перейшло «від хвилин до секунд».