Współpraca NVIDIA, IBM i Fermilab w dziedzinie technologii kwantowych
NVIDIA ogłosiła 16 listopada 2026 r. rozszerzenie prac nad obliczeniami kwantowymi z IBM i Fermilab, a także dekoder, który według deklaracji przyspiesza obliczenia badawcze nawet 13 000 razy. Współpraca kwantowa NVIDIA i IBM łączy dwa przedsięwzięcia o różnych harmonogramach: planowaną platformę badawczą oraz oprogramowanie, które badacze mogą już oceniać.
Partnerzy zamierzają połączyć komputery kwantowe IBM z przyspieszanymi systemami obliczeniowymi NVIDIA, aby badać systemy przyszłości. Osobno NVIDIA udostępniła TCBP-JOBS — dekoder, czyli klasyczne oprogramowanie interpretujące pomiary w celu wskazania prawdopodobnych błędów kwantowych. Deklarowane przyspieszenie dotyczy określonych porównań dekodowania, a nie każdego obliczenia wykonywanego przez komputer kwantowy.
To napięcie przenika całe ogłoszenie: szybsze eksperymenty pomagają badaczom projektować lepsze maszyny, podczas gdy użyteczne maszyny wymagają dowodów obejmujących cały proces obliczeniowy. Wcześniejsze badania Google nad korekcją błędów stanowią punkt odniesienia dla tego rozróżnienia. Bezpośrednia presja spoczywa na twórcach rozwiązań kwantowych i centrach obliczeniowych, które muszą pokazać, jak pojedyncze ulepszenia przekładają się na wiarygodną pracę naukową.
Co wnosi współpraca kwantowa NVIDIA i IBM
Współpraca daje badaczom wspólną agendę systemową, podczas gdy proponowana platforma pozostaje przedsięwzięciem rozwojowym.
Współpraca NVIDIA w dziedzinie obliczeń kwantowych łączy sprzęt kwantowy IBM, systemy obliczeniowe NVIDIA oraz naukową wiedzę Fermilab. Plan zakłada wspólne ulokowanie systemów NVIDIA DGX B200, serwerów obliczeniowych opartych na GPU, z komputerami kwantowymi IBM, w tym systemami wykorzystującymi IBM Quantum Nighthawk.
Główną ideą organizacyjną jest współprojektowanie: rozwijanie sprzętu, oprogramowania i aplikacji równolegle, tak aby wzajemnie się kształtowały. Naukowcy pomagaliby tutaj określić, co powinny osiągnąć przyszłe systemy kwantowe. Inżynierowie ocenialiby następnie architektury pod kątem tych wymagań, zamiast traktować rozwój aplikacji jako etap rozpoczynający się dopiero po dostarczeniu sprzętu.
Taki układ rozwiązuje praktyczny problem koordynacji. Zespół sprzętowy może ulepszać procesor, nie wiedząc, czy jego udoskonalenia pomagają w najbardziej wymagających zadaniach naukowych. Zespół aplikacyjny może proponować obliczenia bez uwzględnienia klasycznego przetwarzania, którego te obliczenia wymagają. Wspólna platforma tworzy miejsce do wspólnego testowania tych założeń.
Proponowane prace dotyczą także architektur modułowych, które łączą wiele procesorów kwantowych w większy system. Wprowadza to szersze pytanie projektowe niż samo zwiększanie możliwości pojedynczego procesora. Badacze muszą rozważyć, co dzieje się między modułami, jak przemieszczają się informacje oraz jak wraz z nimi rosną wspierające zasoby klasyczne.
Czytelnicy śledzący ogłoszenie powinni zwrócić uwagę na użyte czasowniki. Planowanie platformy wyznacza kierunek i wskazuje uczestników. Eksploatacja platformy wymaga zainstalowanych zasobów, działających interfejsów, udokumentowanego dostępu i eksperymentów, które inni badacze mogą przeanalizować. Te etapy dostarczają różnych rodzajów dowodów, nawet jeśli pojawiają się w tym samym ogłoszeniu.
Bezpośrednie pytanie analityczne jest zatem konkretne: czy połączenie tych zespołów skraca drogę od wymogu naukowego do testowalnego projektu systemu? Stanowiłoby to postęp jeszcze przed jakąkolwiek deklaracją szerokiej użyteczności komercyjnej. Dałoby też badaczom jaśniejszy sposób odrzucania projektów, które dobrze działają w izolacji, lecz słabo w pełnym procesie pracy.
Istnieje również korzyść związana z rozliczalnością. Gdy współpraca definiuje wspólne zadania, uczestnicy mogą wyjaśnić, który komponent ogranicza postęp i jakie zmiany rozwiązują to ograniczenie. To bardziej informacyjne niż przedstawianie specyfikacji procesorów, benchmarków oprogramowania i ambicji aplikacyjnych jako niepowiązanych osiągnięć.
Znaczenie platformy będzie zależeć od eksperymentów, które umożliwi. Jej proponowana struktura ułatwia organizację takich eksperymentów, ale to ich wyniki pozostają dowodami, których powinni szukać czytelnicy.
Fermilab wprowadza wymagania naukowe do projektu
Użytkownicy naukowi dają platformie konkretny test: czy jej architektura wspiera obliczenia, których badacze faktycznie potrzebują.
Propozycja modułowej platformy kwantowej Fermilab koncentruje się na fizyce wysokich energii i fizyce jądrowej. Laboratorium wskazuje oddziaływania cząstek, fizykę neutrin i symulacje jądrowe jako potencjalne obszary badań. Jego Superconducting Quantum Materials and Systems Center miałoby wnieść badania nad sprzętem i interkonektami, a także kompetencje aplikacyjne.
Są to cele badawcze. Ich wymienienie nie dowodzi, że proponowana platforma już rozwiązuje te problemy ani że przewyższa istniejące metody obliczeniowe. Ich wartość na tym etapie polega na tworzeniu wymagań, według których partnerzy mogą oceniać przyszłe projekty.
Rozważmy, jak zmienia to dyskusję inżynieryjną. Specyfikacja procesora opisuje, co obsługuje urządzenie. Zadanie naukowe pyta, czy to wsparcie wystarcza do uzyskania odpowiedzi o użytecznej dokładności. Włączenie zadania do dyskusji ujawnia lukę między dostępnymi operacjami a pełnym obliczeniem, którego oczekuje naukowiec.
Zmienia to również rozkład presji. Badacze aplikacyjni muszą wskazać elementy problemu uzasadniające użycie przetwarzania kwantowego. Twórcy sprzętu muszą wyjaśnić, jak ich systemy obsługują te elementy. Specjaliści od obliczeń muszą uwzględnić wszystko, co je otacza, w tym przygotowanie, obsługę danych i analizę.
Wynikająca z tego dyscyplina może zapobiec niejednoznacznym deklaracjom sukcesu. Demonstracja może usprawnić jeden etap, pozostawiając całe obliczenie bez zmian. Inna może zapewnić lepszą dokładność, lecz wymagać większych zasobów wspierających. Obie mogą rozwijać badania, ale żadnej nie należy opisywać bez wyjaśnienia kompromisu.
Udział naukowców pomaga ustalić, co powinno pozostać niezmienne podczas porównania. Jeżeli konkurencyjne podejścia celują w różne poziomy dokładności lub odpowiadają na nieco inne pytania, ich czasy ukończenia mówią niewiele. Użyteczny benchmark zaczyna się od uzgodnionego celu naukowego i uwidacznia warunki porównania.
Umieszcza to współpracę kwantową NVIDIA i IBM w szerszym wysiłku łączenia obliczeń eksperymentalnych z ugruntowaną praktyką naukową. Najmocniejszym rezultatem byłby łańcuch dowodów, który inny zespół może prześledzić — od pierwotnego problemu do przedstawionej odpowiedzi. Nagłówkowe ulepszenie dostarcza jedynie części tego łańcucha.
Fermilab twierdzi również, że propozycja uzupełniłaby odrębną platformę współprojektowania z udziałem IBM, Oak Ridge National Laboratory i AMD. Zapewnia to istotny kontekst konkurencyjny, nie zamieniając ogłoszenia w prosty wyścig sprzętowy. Różne współprace mogą testować różne połączenia aplikacji i infrastruktury.
Dla centrów obliczeniowych wniosek jest praktyczny: podczas oceny konkurencyjnych platform należy zachować perspektywę pytania naukowego. Wybór technologii dlatego, że jej najlepszy benchmark wygląda imponująco, jest łatwiejszy niż ustalenie, czy benchmark ten prognozuje użyteczną pracę. Ta druga decyzja jest właśnie tym, w czym taki wysiłek współprojektowania powinien pomóc badaczom.
Szybsze dekodowanie zmienia cykl badawczy
Szybszy dekoder może rozszerzyć zakres eksperymentów, na które badacze mogą sobie pozwolić, jeszcze zanim poprawi się kompletny system kwantowy.
Kwantowa korekcja błędów chroni informację, rozprowadzając ją między wieloma fizycznymi kubitami — jednostkami sprzętowymi, które przechowują i przetwarzają informację kwantową. Kubit logiczny jest chronioną jednostką informacji utworzoną przez takie kodowanie. Dekodowanie wykorzystuje dane z pomiarów do wnioskowania, które błędy prawdopodobnie wystąpiły.
Możliwość badawcza tkwi w powtarzalności. Ocena projektu korekcji błędów wymaga testowania jego zachowania w określonych warunkach. Badacze muszą porównywać kandydackie projekty, analizować awarie, dostosowywać założenia i powtarzać proces. Gdy dekodowanie dominuje w tych pracach, jego przyspieszenie może uczynić szersze badanie praktycznym.
NVIDIA udostępniła TCBP-JOBS za pośrednictwem CUDA-Q QEC 0.9.0, swojej biblioteki oprogramowania do korekcji błędów. Powiązane badania nad dekodowaniem GPU, zgłoszone 16 listopada, opisują estymaty prawdopodobieństwa kierujące równoległymi wyszukiwaniami na GPU — procesorach przystosowanych do wykonywania wielu obliczeń jednocześnie.
Mechanizm ten ma znaczenie, ponieważ dekoder musi równoważyć nakład obliczeniowy z dokładnością. Bardziej rozległe wyszukiwanie może poprawić wnioskowaną odpowiedź, ale zajmuje więcej czasu. Inna organizacja wyszukiwania oferuje alternatywną drogę: efektywniejsze wykorzystanie obliczeń zamiast zwykłego ograniczania zakresu wyszukiwania.
W artykule zgłoszono przyspieszenie sięgające 13 000 razy względem określonej konfiguracji dekodera Tesseract dla wybranych kodów korekcji błędów. W porównaniu z innymi ustawieniami Tesseract zgłoszony zakres jest inny. Autorzy wskazują również warunki o niższych błędach, w których Tesseract jest dokładniejszy. Są to wyniki badawcze zespołu przedstawiającego rozwiązanie, a nie niezależne potwierdzenie.
Wniosek operacyjny jest taki, że badacze zyskują kolejnego kandydata do oceny. Przydatność dekodera zależy od badanego projektu, wymaganej dokładności i dostępnego sprzętu. Skrajny wynik pokazuje, że w ramach testowanego porównania istnieje znacząca poprawa; nie wybiera najlepszego dekodera dla każdego eksperymentu.
Szybsze badania mają wartość wykraczającą poza szybsze ukończenie istniejącego zadania. Zespół może wykorzystać dodatkową moc do zakwestionowania założenia, zbadania nieoczekiwanej awarii lub porównania mniej wygodnej alternatywy. Takie wybory mogą poprawić jakość decyzji projektowej, nie tworząc kolejnej spektakularnej liczby dotyczącej przyspieszenia.
To najbardziej konstruktywny sposób interpretacji wydania oprogramowania. Tworzy ono możliwość poprawy procesu badawczego, a wynik zależy od tego, jak badacze z niej skorzystają. Więcej eksperymentów samo w sobie nie gwarantuje lepszych wniosków; eksperymenty muszą rozróżniać wiarygodne wyjaśnienia.
Dla planowanej platformy tworzy to użyteczną pętlę sprzężenia zwrotnego. Badacze mogą oceniać podejścia kandydackie, identyfikować obiecujące konfiguracje, a następnie pytać, czy konfiguracje te spełniają wymagania sprzętowe i aplikacyjne. Wynik dotyczący oprogramowania wspiera ten proces, nie rozstrzygając szerszego pytania o systemy.
To rozróżnienie sprawia, że ogłoszenie pozostaje istotne i mierzalne. Narzędzie badawcze może być wartościowe samo w sobie, podczas gdy dowody dotyczące przyszłej architektury obliczeniowej nadal się rozwijają.
Przyspieszenie pozostawia otwarte pytanie o cały system
Benchmark dekodowania odpowiada na węższe pytanie niż to, czy komputer kwantowy może niezawodnie wykonywać użyteczną pracę.
Porównanie dekoderów mierzy wydajność w określonych granicach. Użytkownik naukowy troszczy się o całą drogę do odpowiedzi. Między tymi perspektywami znajdują się pytania dotyczące przygotowania, komunikacji, wykonania, analizy i wielokrotnego użycia. Ulepszenie jednego komponentu zmienia cały proces pracy zależnie od tego, w jakim stopniu komponent ten go ogranicza.
Dlatego mnożnik z nagłówka potrzebuje mianownika. Czytelnicy powinni wiedzieć, której konkurencyjnej konfiguracji użyto, jaką dokładność zapewniło każde podejście i jaki sprzęt wykonał pracę. Usunięcie tych warunków zmienia możliwe do odtworzenia twierdzenie badawcze w liczbę o niewielkim znaczeniu praktycznym.
Należy też odróżnić późniejsze przetwarzanie danych eksperymentalnych od reagowania w trakcie trwającego obliczenia. To drugie wymaga wyników w terminach narzuconych przez system. Metoda, która sprawnie obsługuje duży zbiór zarejestrowanych pomiarów, nadal wymaga odrębnej oceny pod kątem działania wrażliwego na czas.
Opublikowana w grudniu 2024 roku praca Google dotycząca korekcji błędów poniżej progu stanowi użyteczny punkt odniesienia historycznego. Jej autorzy zgłosili lepszą ochronę wraz ze zwiększaniem rozmiaru zakodowanej pamięci kwantowej, a także eksperyment z dekodowaniem w czasie rzeczywistym. Artykuł opisał również pozostałe wyzwania związane ze skalowaniem w kierunku praktycznych obliczeń.
To odniesienie ilustruje inną kategorię dowodów. Dotyczy zachowania zaobserwowanego w działającej pamięci kwantowej, przy jasno określonych warunkach eksperymentalnych. Badania NVIDIA nad dekoderem dotyczą tego, jak klasyczne oprogramowanie interpretuje dowody błędów w testowanych obciążeniach. Porównywanie ich jako konkurencyjnych mnożników z nagłówków zacierałoby to, co każdy z tych wyników faktycznie mierzy.
W przypadku współpracy NVIDIA i IBM w dziedzinie kwantowej głównym wyzwaniem jest połączenie tych kategorii. Lepsze badania nad dekodowaniem muszą ostatecznie zasilić system, w którym sprzęt, sterowanie i aplikacje współpracują ze sobą. Każde połączenie wymaga dowodów, ponieważ ulepszenie komponentu nie zachowuje automatycznie swojej przewagi po integracji.
Niezależna ocena byłaby szczególnie użyteczna, gdyby odtworzyła istotne porównanie i wyjaśniła warunki, w których przewaga się zmienia. Wynik wskazujący ograniczenia może być dla inżynierów bardziej użyteczny niż kolejny maksymalny wzrost szybkości. Pomaga im zdecydować, gdzie wdrożyć metodę, a gdzie zachować alternatywy.
Ta sama logika dotyczy proponowanej architektury modułowej. Łączenie procesorów rodzi pytania, na które izolowany benchmark dekodera nie potrafi odpowiedzieć. Badacze muszą ustalić, jak zachowuje się kompletna konfiguracja, w tym czy wspierające ją obliczenia pozostają możliwe do opanowania wraz z rozrostem projektu.
Nie trzeba odrzucać wyniku dotyczącego oprogramowania, aby dostrzec te ograniczenia. Wiarygodna interpretacja jest węższa i bardziej praktyczna: badacze mają nowe narzędzie, które warto testować. Twierdzenia dotyczące użytecznych obliczeń odpornych na błędy, czyli obliczeń chronionych przed błędami przez cały czas ich działania, wymagają szerszego zasobu dowodów.
Ogłoszenie zmienia zatem zestaw narzędzi badawczych i strukturę współpracy. To, czy zmiany te stworzą niezawodny system naukowy, pozostaje kwestią eksperymentalną.
Aplikacje hybrydowe sprawiają, że integrację można mierzyć
Wyniki aplikacji nabierają znaczenia, gdy badacze wyjaśniają, jaki wkład wniósł kompletny przepływ pracy i co pozostaje stałe w porównaniu.
Towarzyszące IBM ogłoszenie dotyczące integracji przepływu pracy kwantowej opisuje prace nad Slurm, oprogramowaniem harmonogramującym zadania i zasoby obliczeniowe. Quantum Resource Management Interface IBM łączy zasoby kwantowe z tym podejściem do harmonogramowania. Zamierzona korzyść polega na zarządzaniu pracą kwantową i klasyczną w ramach znanych procedur centrów obliczeniowych.
Jest to infrastruktura wspierająca, odrębna od wyniku dekodera i proponowanej platformy Fermilab. Jej znaczenie polega na tym, że aplikacja musi uzyskać zasoby i przejść przez swój przepływ pracy, zanim badacz otrzyma odpowiedź. Łatwiejsza orkiestracja może zmniejszyć tarcie operacyjne bez zmiany podstawowej dokładności naukowej.
Dla operatorów centrów obliczeniowych oznacza to inne zadanie ewaluacyjne niż porównywanie procesorów. Muszą zrozumieć, jak działa przydział zasobów, jak raportowane są awarie oraz jak użytkownicy mogą kontrolować swoje zadania. Technicznie obiecująca aplikacja nadal wymaga procesu operacyjnego, który ludzie mogą powtarzać.
Konkretny przykład naukowy pochodzi z badań IBM, RIKEN i NVIDIA nad molekularnym klastrem żelazowo-siarkowym. Hybrydowe obliczenia chemiczne zespołu łączą próbki generowane kwantowo z obliczeniami klasycznymi. Preprint podaje, że zmiana początkowego przybliżenia w obliczeniu istotnie poprawiła wynikową estymację energii.
To ustalenie jest użyteczne, ponieważ kieruje uwagę na konstrukcję przepływu pracy. Urządzenie kwantowe uczestniczy w większej metodzie, a wybory dokonywane poza nim wpływają na końcowy wynik. Ocena wyłącznie sprzętu pominęłaby część wyjaśnienia poprawy.
Pokazuje też, dlaczego porównania aplikacji wymagają ostrożności. Ulepszenie wcześniejszej wersji metody hybrydowej potwierdza postęp w obrębie tej metody. Wykazanie przewagi nad najlepszym dostępnym podejściem klasycznym wymaga odrębnego porównania z dopasowanymi celami i odpowiednim rozliczeniem zasobów.
Dla zespołów badawczych w przedsiębiorstwach to rozróżnienie wpływa na sposób formułowania pilotażu. Pilotaż może badać wykonalność naukową, wymagania operacyjne lub potencjalną wydajność. Traktowanie ich jako odrębnych pytań ułatwia interpretację wyniku i zmniejsza presję, by przedwcześnie ogłaszać wniosek biznesowy.
Odpowiednim odbiorcą jest więc osoba wybierająca kierunek badań lub oceniająca infrastrukturę, a nie ktoś oczekujący natychmiastowego zastąpienia zwykłych obliczeń. Ogłoszenie dostarcza powodów do zbadania konkretnych przepływów pracy. Nie dowodzi, że niezwiązane z nimi aplikacje biznesowe skorzystają z tej samej kombinacji sprzętu i oprogramowania.
Dokumentacja staje się częścią dowodów. Zespoły muszą zachować wersje oprogramowania, ustawienia eksperymentalne, wartości bazowe oraz wyjaśnienia tego, co się zmieniło. Przeszukiwalna baza wiedzy może pomóc uporządkować te zapisy, podczas gdy podstawowe artefakty eksperymentalne pozostają niezbędne.
Łącznie prace nad harmonogramowaniem i aplikacjami ułatwiają ocenę współpracy. Ujawniają dystans między pojedynczym usprawnieniem technicznym a obliczeniem, które inny badacz może uruchomić, sprawdzić i porównać.
Obserwuj dostęp, replikację i kompletne przepływy pracy
Kolejne użyteczne dowody pokażą, z czego badacze mogą korzystać, co inni mogą odtworzyć oraz co poprawia się w ramach kompletnej aplikacji.
W ciągu najbliższych kilku miesięcy szczegóły dostępu powinny być pierwszym sygnałem wartym obserwowania. Platforma badawcza staje się bardziej konkretna, gdy jej operatorzy opisują dostępne zasoby, obsługiwane oprogramowanie, uczestniczących użytkowników i procedury uruchamiania eksperymentów. Takie szczegóły wzmocniłyby argument, że współpraca przekształca się w działające środowisko badawcze.
Kolejna deklaracja intencji dostarczyłaby mniej dowodów w tej kwestii. Mogłaby wyjaśnić priorytety, ale czytelnicy powinni odróżniać dodatkowe planowanie od zademonstrowanego dostępu. Użyteczne porównanie dotyczy tego, co partnerzy powiedzieli, że badacze będą analizować, oraz tego, co badacze mogą faktycznie zacząć testować.
Drugim sygnałem jest replikacja wyników dekodera w jasno opisanych warunkach. Zewnętrzny zespół powinien być w stanie zidentyfikować testowany problem, odtworzyć punkt odniesienia i raportować zarówno czas działania, jak i dokładność. Udane odtworzenie wzmocniłoby zaufanie w granicach tego porównania.
Węższa przewaga również miałaby znaczenie. Jeśli wyniki zmieniają się zależnie od sprzętu, konfiguracji lub wymaganej dokładności, doprecyzowałoby to praktyczny zakres twierdzenia. Nie unieważniłoby pierwotnego eksperymentu, ale zmieniłoby sposób, w jaki programiści powinni stosować jego wnioski.
Trzecim sygnałem jest kompletny przepływ pracy aplikacji z wiarygodnym punktem odniesienia. Badacze powinni wyjaśnić cel naukowy, wkład każdego zasobu obliczeniowego, uzyskaną dokładność oraz całkowity wymagany nakład pracy. Ulepszenie w całym tym procesie łączyłoby komponenty współpracy w bardziej przekonujący sposób.
Wynik, który przyspiesza jeden etap, pozostawiając ogólną wydajność bez zmian, wspierałby bardziej ograniczony wniosek. Wskazywałby postęp i ujawniał kolejne ograniczenie. To nadal użyteczny dowód inżynieryjny, pod warunkiem że raportowanie wyraźnie zaznacza tę granicę.
Dla programistów sygnały te sugerują konkretną strategię lektury. Zacznij od celu eksperymentalnego, sprawdź warunki porównania, a następnie zapytaj, czy wynik ma zastosowanie do rozważanego systemu. Maksymalny mnożnik powinien znaleźć się pod koniec tej oceny, po ustaleniu jego znaczenia.
Dla nabywców korporacyjnych to samo podejście oddziela udział w badaniach od decyzji zakupowej. Dostęp do platformy eksperymentalnej może pomóc w budowaniu kompetencji i testowaniu założeń. Zobowiązanie do użycia produkcyjnego wymaga dowodów dotyczących właściwej aplikacji i środowiska operacyjnego.
Dla innych użytkowników technologii nie ma uzasadnionego powodu, by oczekiwać, że samo to ogłoszenie zmieni codzienne narzędzia AI. Jego bezpośrednie znaczenie dotyczy badań nad obliczeniami naukowymi oraz infrastruktury potrzebnej do oceny przyszłych systemów kwantowych.
Współpraca NVIDIA i IBM w dziedzinie kwantowej daje czytelnikom użyteczny zestaw twierdzeń do śledzenia, a nie pojedynczą linię mety. Obserwuj, czy proponowana platforma staje się dostępna, czy niezależne zespoły odtwarzają istotne zyski z dekodowania oraz czy kompletne aplikacje poprawiają się względem wiarygodnych alternatyw. Przy porównywaniu przyszłych aktualizacji oddzielaj wynik dotyczący oprogramowania od planu architektury. Czytaj każdy benchmark wraz z dołączonym celem dokładności i punktem odniesienia, a następnie szukaj eksperymentów, które łączą te szczegóły z użytecznymi odpowiedziami naukowymi. Która część kompletnego przepływu pracy się poprawiła i czy inny zespół może zweryfikować tę poprawę w porównywalnych warunkach? To pytanie warto zabrać ze sobą do następnego ogłoszenia.



