NVIDIA收购Riverlane少数股权，扩大GPU-QEC工作

据 Quantum Computing Report 于10月22日发布的一篇文章称，NVIDIA已收购总部位于Cambridge的量子纠错公司Riverlane的战略性少数股权。两家公司还披露，已扩大技术合作，旨在利用NVIDIA H100 GPU、结合Riverlane的解码器软件及更广泛的Deltaflow QEC堆栈，加快量子纠错的解码器重新校准。

宣布了什么

Quantum Computing Report称，这笔投资是NVIDIA更广泛英国计算承诺的一部分，报告称该承诺总额为$250 million。同一篇报道还表示，Riverlane这笔交易是与对四家英国人工智能企业的公司投资一同宣布的。

Riverlane专注于量子纠错，即旨在足够快速地检测并纠正错误、以支持可靠逻辑量子比特的软硬件层。Riverlane在其网站上表示，Deltaflow是其实时QEC系统，并将Deltaflow 2描述为一个基于FPGA的平台，可将专有硬件解码器与数据路由及实时处理逻辑集成在一起。

订阅 DesignQuantum 新闻通讯

免费的量子计算新闻与解析，每一项说法都附有来源链接。可选择每日、每周或每月。

Website

电子邮箱 频率每日每周每月 语言EnglishEspañol简体中文हिन्दीالعربيةPortuguês (Brasil)FrançaisDeutsch日本語Русский한국어Bahasa IndonesiaTürkçeItalianoTiếng ViệtPolskiNederlandsไทยفارسیУкраїнськаবাংলাاردوKiswahiliBahasa Melayuעברית 免费订阅

免费。随时一键退订。 隐私政策

技术细节

此次新合作的核心是解码器重新校准：随着量子比特行为变化，更新解码器所使用的误差模型权重。Riverlane在10月14日的技术更新中表示，随着频率、缺陷和门性能发生变化，量子比特会随时间漂移，从而使静态解码器权重的准确性下降。

为了解决这一问题，Riverlane将其Local Clustering Decoder改造为可在单个NVIDIA H100 GPU上进行批处理。根据Riverlane的数据，在表面码上，一个原本在单个CPU核心上需要三分钟的训练轮次，在H100上缩短至2.8秒。

Riverlane还报告了解码原始吞吐量的大幅提升。在表面码上，H100每秒可处理约420万个综合征，而单个CPU核心约为59,000个。Quantum Computing Report将其概括为每秒超过400万个综合征，速度提升约70倍。

该公司表示，在完整训练轮次层面上的加速幅度低于仅解码层面，因为仍有部分工作尚未纳入GPU加速，包括更新策略和构建候选权重。Riverlane还将GPU与多核CPU运行进行了比较，称32个CPU核心相较单核可将表面码轮次时间提升约23倍，但单个H100在表面码上仍快约3倍，在重复码上快约2倍。

根据Riverlane的数据，训练后的权重可以显著提升解码器准确性，使逻辑错误率降低几个百分点到最多两倍，具体取决于编码方案。这些结果是在公司技术更新中分享的，而不是发表于同行评审论文中。

为什么重要

实时QEC不仅受实验期间解码器延迟的限制，也受两次运行之间解码器重新校准速度的限制。如果重新校准耗时过长，那么在下一次实验开始之前，硬件可能又会发生漂移。

这正是GPU方案重要的原因。Quantum Computing Report表示，这项合作指向一种紧密耦合的QPU-GPU控制回路，其中GPU加速用于更新物理噪声模型，并为ASIC或FPGA等低延迟解码器硬件提供输入。Riverlane自己的材料则将Deltaflow定位为跨不同量子比特模态和QEC方案实现可扩展逻辑量子比特的一条路径。

值得关注什么

眼下的直接问题是，这些校准工作流会以多快速度从技术演示走向生产控制堆栈。Riverlane表示，Deltaflow 2可直接连接量子控制堆栈以实现低延迟运行，其技术更新则认为，更快的校准有助于让QEC跟上不断变化的硬件行为。

投资者和系统构建者也将关注，NVIDIA的股权持仓是否会推动围绕CUDA-Q、GPU辅助校准以及Riverlane硬件解码器路线图的更深层产品集成。目前，最明确的近期信号仍然是务实层面的：正如Riverlane所说，解码器重新校准已经“from minutes to seconds.”