NVIDIA نے Riverlane میں اقلیتی حصص خرید لیے، GPU-QEC کام کو وسعت دے دی

Quantum Computing Report میں 22 October کو شائع ہونے والے ایک مضمون کے مطابق، NVIDIA نے کیمبرج میں قائم کوانٹم خرابی درستی کمپنی Riverlane میں حکمتِ عملی کے تحت اقلیتی ایکویٹی حصص حاصل کیے ہیں۔ کمپنیوں نے اس توسیع یافتہ تکنیکی کام کا بھی انکشاف کیا جس کا مقصد Riverlane کے decoder سافٹ ویئر اور وسیع تر Deltaflow QEC stack کے ساتھ NVIDIA H100 GPUs استعمال کرتے ہوئے کوانٹم خرابی درستی کے لیے decoder recalibration کو تیز کرنا ہے۔

کیا اعلان کیا گیا

Quantum Computing Report کے مطابق اس سرمایہ کاری کو NVIDIA کی برطانیہ میں وسیع تر کمپیوٹنگ وابستگی کا حصہ قرار دیا گیا، جس کی مجموعی مالیت رپورٹ کے مطابق $250 million ہے۔ اسی رپورٹ میں کہا گیا کہ Riverlane کا معاہدہ برطانیہ میں مصنوعی ذہانت کے چار منصوبوں میں کارپوریٹ سرمایہ کاری کے ساتھ اعلان کیا گیا۔

Riverlane کی توجہ کوانٹم خرابی درستی پر ہے، یعنی ہارڈویئر اور سافٹ ویئر کی وہ تہہ جس کا مقصد غلطیوں کا اتنی تیزی سے سراغ لگانا اور انہیں درست کرنا ہے کہ قابلِ اعتماد منطقی qubits کی معاونت ہو سکے۔ اپنی ویب سائٹ پر Riverlane کہتی ہے کہ Deltaflow اس کا حقیقی وقت کا QEC نظام ہے، اور Deltaflow 2 کو ایک FPGA-based پلیٹ فارم قرار دیتی ہے جو ملکیتی hardware decoder کو data routing اور real-time processing logic کے ساتھ مربوط کرتا ہے۔

DesignQuantum نیوز لیٹر حاصل کریں

کوانٹم کمپیوٹنگ پر مفت خبریں اور توضیحی مضامین، ہر دعوے کے ساتھ اس کے ماخذ کا لنک۔ روزانہ، ہفتہ وار یا ماہانہ منتخب کریں۔

Website

ای میل پتا تعددروزانہہفتہ وارماہانہ زبانEnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית مفت سبسکرائب کریں

مفت۔ کسی بھی وقت ایک کلک سے ان سبسکرائب کریں۔ رازداری کی پالیسی

تکنیکی تفصیلات

یہ نئی شراکت decoder recalibration پر مرکوز ہے: جیسے جیسے qubits کا رویہ بدلتا ہے، decoder کی جانب سے استعمال ہونے والے error-model weights کو اپ ڈیٹ کرنا۔ Riverlane کی 14 October کی تکنیکی تازہ کاری میں کمپنی کہتی ہے کہ وقت کے ساتھ qubits میں drift آتا ہے کیونکہ frequencies، defects اور gate performance بدلتے رہتے ہیں، جس سے static decoder weights کم درست رہ جاتے ہیں۔

اس مسئلے سے نمٹنے کے لیے، Riverlane نے اپنے Local Clustering Decoder کو ایک واحد NVIDIA H100 GPU پر batch processing کے لیے ڈھالا۔ Riverlane کے مطابق، surface-code training کی ایک epoch جو ایک واحد CPU core پر تین منٹ لیتی تھی، H100 پر کم ہو کر 2.8 seconds رہ گئی۔

Riverlane نے raw decoding throughput میں بھی نمایاں اضافہ رپورٹ کیا۔ surface code پر، H100 نے تقریباً 4.2 million syndromes per second پروسیس کیے، جبکہ ایک واحد CPU core پر یہ تعداد تقریباً 59,000 تھی۔ Quantum Computing Report نے اس کا خلاصہ یوں کیا کہ یہ 4 million syndromes per second سے زیادہ اور تقریباً 70x رفتار میں اضافہ ہے۔

کمپنی نے کہا کہ full training-epoch کی سطح پر رفتار میں اضافہ decode-only سطح کے مقابلے میں کم ہے کیونکہ کچھ کام اب بھی GPU acceleration سے باہر رہتا ہے، جس میں policy کو اپ ڈیٹ کرنا اور candidate weights بنانا شامل ہے۔ Riverlane نے GPU کا موازنہ multi-core CPU runs سے بھی کیا، اور کہا کہ 32 CPU cores نے surface-code epoch وقت کو ایک core کے مقابلے میں تقریباً 23x بہتر بنایا، لیکن ایک واحد H100 پھر بھی surface code پر تقریباً 3x تیز اور repetition code پر 2x تیز رہا۔

Riverlane کے مطابق، تربیت یافتہ weights decoder کی درستگی میں بامعنی بہتری لا سکتے ہیں، اور code کے لحاظ سے logical error rate کو چند فیصد سے لے کر دو گنا تک کم کر سکتے ہیں۔ یہ نتائج peer-reviewed paper کے بجائے کمپنی کی ایک تکنیکی تازہ کاری میں شیئر کیے گئے۔

یہ کیوں اہم ہے

حقیقی وقت کا QEC صرف کسی تجربے کے دوران decoder latency سے محدود نہیں ہوتا، بلکہ اس سے بھی کہ runs کے درمیان decoder کو کتنی تیزی سے دوبارہ calibrate کیا جا سکتا ہے۔ اگر recalibration میں بہت زیادہ وقت لگے، تو اگلا تجربہ شروع ہونے سے پہلے ہارڈویئر دوبارہ drift کر سکتا ہے۔

اسی لیے GPU کا پہلو اہم ہے۔ Quantum Computing Report نے کہا کہ یہ تعاون ایک مضبوطی سے مربوط QPU-GPU control loop کی طرف اشارہ کرتا ہے جس میں GPU acceleration، physical noise model کو اپ ڈیٹ کرتی ہے اور کم latency والے decoder hardware جیسے ASICs یا FPGAs کو feed کرتی ہے۔ Riverlane کے اپنے مواد میں Deltaflow کو مختلف qubit modalities اور QEC schemes میں scalable logical qubits کی جانب ایک راستے کے طور پر پیش کیا گیا ہے۔

کس بات پر نظر رکھنی چاہیے

فوری سوال یہ ہے کہ یہ calibration workflows تکنیکی demonstrations سے production control stacks میں کتنی تیزی سے منتقل ہوتے ہیں۔ Riverlane کہتی ہے کہ Deltaflow 2 کم latency والے operation کے لیے quantum control stack سے براہِ راست جڑتا ہے، اور اس کی تکنیکی تازہ کاری میں کہا گیا ہے کہ تیز تر calibration، QEC کو بدلتے ہوئے hardware behavior کے ساتھ ہم قدم رکھنے میں مدد دیتی ہے۔

سرمایہ کار اور نظام تیار کرنے والے یہ بھی دیکھیں گے کہ آیا NVIDIA کی ایکویٹی پوزیشن CUDA-Q، GPU-assisted calibration، اور Riverlane کے hardware decoder roadmap کے گرد مزید گہری product integration کا باعث بنتی ہے یا نہیں۔ فی الحال، قریب المدت میں سب سے واضح اشارہ عملی نوعیت کا ہے: جیسا کہ Riverlane نے کہا، decoder recalibration اب "from minutes to seconds" ہو گئی ہے۔