Symulacja kwantowa NVIDIA testuje w Jülich drogę do mniejszej liczby fizycznych kubitów

NVIDIA ogłosiła 19 października symulację z 104 kubitami, badającą wpływ błędów sprzętowych na podejście oszczędzające zasoby w odpornych na błędy obliczeniach kwantowych. Symulacja kwantowa NVIDIA działała na JUPITER w niemieckim Centrum Superkomputerowym Jülich. Jej znaczenie dotyczy zasobów potrzebnych do niezawodnych obliczeń, a nie wyłącznie zwiększenia liczby symulowanych kubitów.

Odporne na błędy obliczenia kwantowe oznaczają wykonywanie niezawodnych kalkulacji mimo błędów w sprzęcie bazowym. NVIDIA twierdzi, że jej praca wspiera podejście wymagające o 90% mniej fizycznych kubitów niż wcześniejsze metody. Twierdzenie to dotyczy jednak konkretnej metody przygotowania, a nie równoważnej redukcji we wszystkich komponentach użytecznego komputera kwantowego.

Kluczowe napięcie zachodzi między obiecującymi szacunkami zasobów a zachowaniem niedoskonałego sprzętu. Google opisał już eksperyment fizyczny obejmujący to samo szerokie podejście, nazywane hodowlą stanów magicznych. Wkład NVIDIA dodaje do tych badań szczegółową symulację, dając naukowcom kolejny sposób badania założeń przed podjęciem decyzji o konstrukcji procesorów.

Co faktycznie modelowała symulacja kwantowa NVIDIA

Opisywany postęp dotyczy wymagającego protokołu przygotowania, a nie kompletnej aplikacji kwantowej.

NVIDIA opisuje tę pracę jako największą dotąd kompleksową symulację procesora kwantowego odpornego na błędy. Komunikat o symulacji odpornej na błędy łączy to twierdzenie z realistycznym szumem oraz przygotowaniem zasobów potrzebnych podczas obliczeń. Firma przedstawia wynik jako sposób oceny przyszłych projektów sprzętowych.

Opis ten wymaga uważnego odczytania. Fizyczny kubit to pojedynczy element sprzętowy przechowujący informację kwantową. Kubit logiczny to chroniona informacja zakodowana w wielu fizycznych kubitach. Komunikat nie opisuje 104 niezależnie chronionych kubitów logicznych wykonujących komercyjnie użyteczny program.

Zamiast tego badacze modelowali hodowlę stanów magicznych, czyli proces przygotowywania specjalnego zasobu kwantowego przy jednoczesnym sprawdzaniu i zwiększaniu jego niezawodności. Stan magiczny umożliwia operacje, których wiele architektur z korekcją błędów nie potrafi wykonywać tanio za pomocą zwykłych chronionych instrukcji. Efektywne przygotowywanie takich stanów ma znaczenie, ponieważ użyteczne algorytmy je zużywają.

Opis techniczny wyznacza istotną granicę dla nagłówka. Protokół obejmuje 104 fizyczne kubity, w tym kubity danych i pomocnicze używane na przestrzeni całej sekwencji. Kubity pomocnicze wspierają kontrole i pomiary, zamiast służyć jako dodatkowe dane aplikacyjne.

Czyni to wynik bardziej konkretnym i użytecznym niż szerokie twierdzenie o symulowaniu komputerów kwantowych. Badacze mogą sprawdzać, czy konkretne błędy podważają proces przygotowania. Mogą też badać, czy proponowane ulepszenie pozostaje atrakcyjne po uwzględnieniu niedoskonałości sprzętu.

Twierdzenie o rekordzie nadal wymaga uzgodnionego porównania. Różne symulacje zachowują różne szczegóły, wykorzystują różne obwody i przyjmują różne przybliżenia. Sama większa liczba kubitów nie dowodzi, że jedna symulacja uwzględnia więcej istotnej fizyki niż inna.

Właściwa interpretacja wynika więc z charakteru obciążenia. NVIDIA informuje o szczegółowej symulacji trudnego składnika obliczeń odpornych na błędy. Nie ogłosiła procesora kwantowego wykonującego obliczenia związane z odkrywaniem leków, model finansowy ani przepływ pracy projektowania materiałów.

To rozróżnienie wyjaśnia również, dlaczego eksperyment zasługuje teraz na uwagę. Ocena protokołu przygotowania pomaga badaczom analizować wybór projektowy, zanim powstanie odpowiadająca mu maszyna. Przenosi to część niepewności do środowiska, w którym parametry można celowo zmieniać.

Wartość naukowa ostatecznie zależy od tego, na jakie decyzje projektowe wpływają te eksperymenty. Symulacja staje się szczególnie użyteczna, gdy identyfikuje wymaganie sprzętowe, odrzuca zawodny skrót lub poprawia szacunek inżynieryjny.

To właśnie łączy rekordowy nagłówek z szerszym pytaniem branży: ile sprzętu będą faktycznie wymagać niezawodne obliczenia kwantowe?

Dlaczego szacunki zasobów wywierają presję na plany rozwoju sprzętu

Presja spada na twórców technologii kwantowych, którzy muszą powiązać atrakcyjne oszczędności zasobów z kompletnymi, użytecznymi systemami.

Planu rozwoju technologii kwantowej nie można oceniać wyłącznie przez rozmiar procesora. Niezawodność, obsługa instrukcji oraz czas potrzebny do ukończenia obliczenia również określają, czy architektura może obsłużyć daną aplikację. Oszczędność kubitów w jednym podsystemie pomaga, lecz nie eliminuje tych pozostałych wymagań.

IBM dokonuje podobnego rozróżnienia w swoim omówieniu wymagań odporności na błędy. Dodawanie kubitów nie rozwiązuje automatycznie problemu błędów rozprzestrzeniających się w większych obliczeniach. Argument IBM podkreśla niezawodne operacje na użytecznej skali, a nie odizolowane demonstracje.

Zapewnia to kontekst dla ogłoszenia NVIDIA, nie zamieniając go w bezpośrednią rywalizację między firmami. NVIDIA dostarcza sprzęt i oprogramowanie symulacyjne do badania projektów procesorów. IBM rozwija architekturę przeznaczoną do wykonywania chronionych programów kwantowych.

Ich prace przecinają się w rozliczaniu zasobów. Każda proponowana architektura potrzebuje wiarygodnego wyjaśnienia, w jaki sposób niedoskonałe komponenty zapewniają niezawodne instrukcje. Protokół przygotowania staje się komercyjnie istotny wtedy, gdy jego korzyści przetrwają taką szerszą analizę.

Dla zespołów sprzętowych praktyczne pytanie brzmi, którym ulepszeniom należy nadać priorytet. Czy inżynierowie powinni skupić się na ograniczeniu konkretnego mechanizmu błędów, zmianie harmonogramu obwodu czy przeznaczeniu większej ilości sprzętu na ochronę? Szczegółowa symulacja daje możliwość zbadania tych wyborów przed produkcją i integracją.

Dla zespołów aplikacyjnych pytanie ponownie się zmienia. Muszą wiedzieć, czy procesor może zapewnić operacje wymagane przez ich obliczenia przy akceptowalnej niezawodności i tempie. Kompaktowa procedura przygotowania jest cenna tylko wtedy, gdy wspiera to zapotrzebowanie.

Rozważmy przyszłe obliczenie molekularne mające porównać kandydatów na materiały. Zespół aplikacyjny potrzebowałby algorytmu, docelowej dokładności oraz szacunku wymaganych chronionych operacji. Ulepszenie zasobowe powinno następnie zostać przełożone na to konkretne obciążenie.

Ten scenariusz stanowi ramy oceny, a nie aplikację zademonstrowaną przez eksperyment JUPITER. Pokazuje, dlaczego ogłoszenie ma znaczenie dla badaczy, nie sugerując, że obliczenia przemysłowe już na nim skorzystały.

Nabywcy korporacyjni powinni stosować tę samą dyscyplinę. Twierdzenie o mniejszej liczbie fizycznych kubitów powinno skłaniać do pytań o obciążenie, metodę odniesienia oraz założenia utrzymywane bez zmian. Powinno również wskazywać, które koszty pozostają poza porównaniem.

Symulacja kwantowa NVIDIA zwiększa znaczenie tych pytań, ponieważ wprowadza do dyskusji bardziej szczegółowe zachowanie sprzętu. Wynikająca z tego presja ma charakter metodologiczny: twierdzenia o oszczędności zasobów powinny wyjaśniać, jak ich zalety utrzymują się w realistycznych warunkach działania.

Nie zmusza to firmy sprzętowej do przyjęcia preferowanych przez NVIDIA narzędzi ani konkretnego protokołu przygotowania. Podnosi jednak standard wyjaśniania, dlaczego dany wybór architektoniczny pozostaje wiarygodny.

Krótkoterminową konsekwencją są lepsze dowody dla decyzji badawczych. Wszelki wpływ na harmonogramy wdrożeń zależy od tego, jak te dowody przełożą się na inżynierię sprzętową i pełne szacunki dla aplikacji.

Jak hodowla stanów magicznych zmienia kalkulację zasobów

Hodowla dotyczy kosztu przygotowania niezbędnego zasobu obliczeniowego, a nie eliminuje potrzeby korekcji błędów.

Podstawowa idea poprzedza to ogłoszenie. Craig Gidney, Noah Shutty i Cody Jones przedstawili konstrukcję magic-state cultivation w artykule przesłanym we wrześniu 2024 roku. Ich metoda stopniowo zwiększa rozmiar i niezawodność stanu.

Autorzy zgłosili redukcję rzędu wielkości w kubito-rundach w porównaniu z wcześniejszymi pracami przy określonym modelu szumu. Kubito-rundy łączą liczbę zajętych kubitów z liczbą cykli działania. Miara ta ujmuje formę wykorzystania sprzętu w czasie.

Ma to znaczenie przy interpretacji wartości 90% podanej przez NVIDIA. Redukcja kubito-rund i redukcja liczby fizycznych kubitów opisują powiązane, lecz różne wymiary zasobów. Żadna z nich nie powinna automatycznie stawać się twierdzeniem, że cały komputer kwantowy zmniejsza się o ten sam procent.

Porównanie w artykule zależy również od jego założeń. Opisana wydajność dotyczy konkretnego modelu błędów oraz zdefiniowanego procesu przygotowania. Warunki te powinny towarzyszyć wynikowi efektywności, gdy badacze porównują go z innym podejściem.

Hodowla jest atrakcyjna, ponieważ jakość przygotowania i koszt sprzętowy muszą być równoważone jednocześnie. Mniejsza procedura, która tworzy niewystarczająco niezawodne stany, nie rozwiązuje problemu aplikacji. Bardzo niezawodna procedura zużywająca nadmierne zasoby tworzy inne wąskie gardło.

Użyteczne pytanie inżynieryjne ma zatem charakter warunkowy. Który proces przygotowania, przy danych błędach procesora i docelowej niezawodności aplikacji, dostarcza potrzebny zasób najefektywniej? Odpowiedź nie musi być identyczna dla wszystkich urządzeń i obciążeń.

W tym miejscu szczegółowa symulacja wnosi coś więcej niż powtarzanie optymistycznego szacunku. Badacze mogą sprawdzać, czy mechanizm błędów zmienia równowagę między efektywnością a niezawodnością. Mogą również testować, czy projekt pozostaje atrakcyjny w szerokim zakresie założeń.

Praca NVIDIA nad hodowlą stanów magicznych wpisuje się w te trwające badania. Jej rolą jest analiza procesu przygotowania w bogatszych warunkach sprzętowych, a nie ustanowienie pierwotnej koncepcji hodowli.

Takie ujęcie zapobiega również mylącej narracji o komputerach klasycznych zastępujących komputery kwantowe. W tym przypadku symulacja klasyczna pomaga badaczom analizować mechanizmy potrzebne przyszłym obliczeniom kwantowym. Symulowane obciążenie i zamierzona aplikacja zajmują różne miejsca w procesie rozwoju.

Trudniejsza symulacja nie oznacza też, że każdy projekt kwantowy musi być równie trudny do oceny. Badacze wybierają modele stosownie do swoich pytań. Prostsze przybliżenie może pozostać użyteczne, gdy jego ograniczenia są rozumiane i sprawdzane.

Istotną zmianą jest dostępność bardziej szczegółowego punktu odniesienia dla wybranych pytań. Taki punkt odniesienia może ujawnić, gdzie wygodne założenia nadal są wystarczające, a gdzie ukrywają zachowanie wpływające na projekt.

Dla czytelników porównujących ogłoszenia jest to mechanizm, który warto śledzić. Oszczędności zasobów zaczynają się jako propozycja na poziomie protokołu, zyskują wiarygodność dzięki modelowaniu i eksperymentom, a praktyczne znaczenie poprzez rozliczanie na poziomie aplikacji.

JUPITER utrudnia ignorowanie niedoskonałości sprzętu

Najbardziej istotną cechą symulacji jest uwzględnienie konkretnych błędów, a nie liczba kubitów w nagłówku.

Techniczny opis NVIDIA dotyczący protokołu z 104 kubitami wskazuje, że największe uruchomienie wykorzystało 8 192 procesory graficzne GH200, czyli GPU. Model uwzględnia spójne błędy fazowe, które kumulują się podczas ewolucji kwantowej, oraz wycieki, w których kubit opuszcza przewidziane dla niego poziomy obliczeniowe.

Wybrane węzły obejmują zatem trzeci poziom energetyczny. Symulator reorganizuje obwód i ponownie wykorzystuje pamięć po pomiarach, dzięki czemu cały protokół może korzystać z mniejszej, ewoluującej reprezentacji. NVIDIA podaje, że przechowywany stan zajmował 512 TiB rozproszonej pamięci GPU.

Te szczegóły wyjaśniają, dlaczego „104 kubity” nie należy interpretować jako prostego opisu rozmiaru pamięci. Całkowity zakres protokołu różni się od reprezentacji przechowywanej w danym momencie. Strategia wykonania jest jednym z elementów, które sprawiają, że eksperyment pozostaje obliczeniowo wykonalny.

Konsekwencja metodologiczna jest ciekawsza niż sama liczba dotycząca pamięci. Badacze mogą analizować usterki, których prostszy model błędów losowych mógłby nie opisywać wystarczająco dobrze. Stwarza to możliwości sprawdzenia, czy procedura przygotowania reaguje odmiennie na różne niedoskonałości fizyczne.

Przydatna symulacja powinna pomagać rozróżniać te możliwości. Jeśli projekt toleruje jeden mechanizm błędu, ale gorzej radzi sobie z innym, zespoły sprzętowe zyskują bardziej precyzyjne pytanie badawcze. Mogą następnie zbadać, czy zmiany inżynieryjne eliminują tę słabość.

Model nie staje się kompletną kopią urządzenia fizycznego tylko dlatego, że uwzględnia dodatkowe szczegóły. Badacze nadal wybierają, które mechanizmy uwzględnić, jak je parametryzować i jaki obwód uruchomić. Każdy wynik pozostaje zależny od tych wyborów.

Dlatego szczegółowy model referencyjny i model uproszczony mogą się wzajemnie uzupełniać. Model referencyjny wspiera ukierunkowane sprawdzanie trudnych zachowań. Model uproszczony może wspierać szerszą eksplorację, gdy jego przybliżenie pozostaje odpowiednie dla danego pytania.

Istnieje też praktyczna różnica między przeprowadzeniem wymagającego eksperymentu a uczynieniem go rutynowym. Duże uruchomienie na superkomputerze może odpowiedzieć na wartościowe pytanie, nie stając się domyślnym przepływem pracy dla każdej grupy badawczej. Dostępność zależy od narzędzi i przybliżeń, które pojawią się później.

Dla deweloperów istotnym rezultatem jest więc coś więcej niż udane wykonanie. Przydatne uzupełnienie wyjaśniałoby, które obliczenia wymagają największych zasobów, a które można odtworzyć w mniejszej skali. Pokazywałoby również, gdzie skróty numeryczne zachowują wnioski.

Dla menedżerów badań taka informacja wspiera bardziej zdyscyplinowane decyzje dotyczące alokacji. Zasoby obliczeniowe powinny odpowiadać niepewności naukowej, a nie atrakcyjności większego uruchomienia. Dobrze dobrany mniejszy eksperyment może być bardziej informacyjny niż ambitne, lecz słabo kontrolowane porównanie.

Szersza implikacja jest taka, że inżynieria symulacji uczestniczy dziś bezpośrednio w badaniach nad architekturą kwantową. Jej wartość wynika z decyzji, które pomaga wyjaśnić, w tym decyzji o zmianie podejścia lub porzuceniu założenia.

To sprawia, że rola NVIDIA ma strategiczne znaczenie jeszcze zanim branża dostarczy szeroko użyteczne maszyny odporne na błędy. Firma może wnosić wkład w proces badawczy za pośrednictwem klasycznych systemów używanych do ich oceny.

Eksperymenty sprzętowe pozwalają spojrzeć na twierdzenie dotyczące symulacji z odpowiedniej perspektywy

Wyniki symulacji stają się bardziej przekonujące, gdy łączą się z niezależnymi pomiarami, przy jednoczesnym zachowaniu różnic między eksperymentami.

Badacze z Google opisali już eksperymentalne badanie hodowli stanów magicznych w nadprzewodzącym procesorze kwantowym. Ich streszczenie opisuje 40-krotną redukcję błędów i wierność stanu na poziomie 0,9999(1), przy zachowaniu 8% prób. Wierność mierzy, jak bardzo przygotowany stan odpowiada zamierzonemu celowi.

Liczby te pokazują, dlaczego pojedynczy nagłówkowy wskaźnik rzadko oddaje cały kompromis inżynieryjny. Liczy się jakość zaakceptowanych wyników, ale również tempo, w jakim dostępne stają się użyteczne wyniki. Zastosowanie ostatecznie potrzebuje niezawodnej podaży.

Eksperyment Google nie powinien być przedstawiany jako niezależne potwierdzenie pełnej symulacji NVIDIA. Badania mają różne warunki i cele. Potwierdza jednak, że hodowla stanów jest eksperymentalnym kierunkiem badań, a nie koncepcją występującą wyłącznie w ogłoszeniu NVIDIA.

Kolejnym krokiem analitycznym jest pytanie, gdzie można sensownie porównać modelowane i mierzone zachowanie. Zgodność w dopasowanych warunkach zwiększyłaby zaufanie do modelu. Rozbieżność wskazałaby założenia lub mechanizmy zasługujące na dalsze badanie.

Proces ten wymaga czegoś więcej niż porównania nagłówkowych wartości wierności. Badacze potrzebują zgodnych definicji, etapów przygotowania, warunków błędów i kryteriów akceptacji. W przeciwnym razie pozorna zgodność może ukrywać różnice w tym, co zmierzono.

Neutralne porównanie konkurencyjne powinno też uwzględniać, że firmy kwantowe zajmują się różnymi warstwami architektury. Plan rozwoju architektury odpornej na błędy IBM opisuje Starling jako planowany system, którego celem jest 200 logicznych kubitów i 100 milionów bramek kwantowych do 2029 roku. Są to nadal deklarowane cele, a nie wyniki potwierdzone przez prace JUPITER.

IBM wskazuje również wymagania obejmujące uniwersalne instrukcje, adaptację w czasie rzeczywistym i modułowość. Uniwersalne instrukcje zapewniają operacje potrzebne do ogólnych obliczeń kwantowych. Modułowość dotyczy łączenia wymienialnych jednostek sprzętowych w większy system.

Ta szersza perspektywa systemowa stanowi użyteczną kontrolę dla twierdzeń skoncentrowanych na przygotowaniu. Lepsza metoda przygotowania stanu może wzmocnić projekt, nie wykonując całej pracy potrzebnej do obsługi maszyny. Interfejsy między podsystemami mogą wprowadzać dodatkowe ograniczenia.

Sceptyczne odczytanie dotyczy zatem zakresu wnioskowania. Symulacja NVIDIA wspiera badanie konkretnego protokołu w wybranych warunkach. Nie ustanawia przewagi aplikacyjnej, nie potwierdza wszystkich założeń architektonicznych ani niezależnie nie potwierdza ogólnobranżowego harmonogramu komercjalizacji.

Podobnie sugestia zawarta w ogłoszeniu, że symulacja może skrócić rozwój o lata, powinna pozostać przypisana firmie. Ustalenie takiego rezultatu wymagałoby dowodów łączących decyzje modelowe z późniejszym postępem inżynieryjnym. Obecny wynik nie przedstawia tej pełnej historii.

Dla odbiorców biznesowych rozróżnienie to chroni jakość planowania. Postęp badawczy może uzasadniać dalszą ocenę techniczną, nie uzasadniając automatycznie zobowiązań wdrożeniowych. Siła dowodów powinna odpowiadać podejmowanej decyzji.

Centralne pytanie pozostaje takie, czy niższy narzut przygotowania wytrzymuje kontakt z kompletnymi systemami. Eksperymenty sprzętowe, szczegółowe modele i szacunki na poziomie architektury dostarczają różnych dowodów prowadzących do odpowiedzi.

Trzy sygnały, na które warto zwrócić uwagę po ogłoszeniu w Jülich

Najbardziej informacyjne kolejne kroki połączą odtwarzalne modelowanie, pomiary sprzętowe i szacunki zasobów na poziomie aplikacji.

W ciągu najbliższych kilku miesięcy pierwszym sygnałem, który warto obserwować, będą dodatkowe szczegóły dotyczące odtwarzalności. Obejmuje to wystarczająco jasne opisy obwodów, założeń dotyczących błędów, metod wykonania i kontroli, które pozwalają innym badaczom ocenić wnioski. Publiczny opis techniczny jest punktem wyjścia dla tego procesu.

Przydatne uzupełnienie rozróżniałoby walidację numeryczną od walidacji fizycznej. Walidacja numeryczna pyta, czy obliczenie zachowuje się zgodnie z założeniami. Walidacja fizyczna pyta, czy jego założenia opisują zachowanie sprzętu istotne dla danego pytania badawczego.

Obie są niezbędne do interpretacji wymagającej symulacji. Silne kontrole numeryczne zwiększyłyby zaufanie, że eksperyment wykonano poprawnie. Jasne określenie ograniczeń modelu fizycznego pomogłoby czytelnikom zrozumieć, gdzie mają zastosowanie wnioski.

Drugim sygnałem jest bliższe powiązanie z pomiarami sprzętowymi. Eksperymenty badające porównywalne etapy przygotowania i mechanizmy błędów wzmocniłyby argument za wykorzystywaniem tych modeli w decyzjach projektowych. Porównanie powinno wyjaśniać zarówno zgodność, jak i rozbieżności.

Niedopasowanie nie przekreśliłoby automatycznie wartości symulacji. Mogłoby wskazać pominięty mechanizm, niedokładny parametr lub warunek eksperymentalny wymagający dalszych badań. Ważne jest, czy badacze wykorzystają tę różnicę do poprawy dokładności predykcyjnej.

Trzecim sygnałem jest zaktualizowane rozliczenie zasobów dla pełnego obciążenia. Badacze powinni pokazać, jak ulepszenia przygotowania wpływają na zasoby potrzebne do zdefiniowanego obliczenia. Analiza powinna uwzględniać założenia konieczne do przełożenia lokalnej oszczędności na korzyść na poziomie systemu.

Na przykład szacunek dla aplikacji powinien wyjaśniać docelowy poziom niezawodności i wymaganą podaż przygotowanych stanów. Powinien również wskazywać koszty poza przygotowaniem stanów. Bez tych granic czytelnicy nie mogą ustalić, czy dany procent odnosi się wąsko, czy szeroko.

Sygnały te zapewniają bardziej użyteczne ramy interpretacji niż kolejny odizolowany kamień milowy dotyczący kubitów. Odtwarzalność sprawdza obliczenie, porównanie ze sprzętem sprawdza model, a rozliczenie obciążenia sprawdza praktyczne znaczenie. Razem łączą twierdzenia badawcze z decyzjami inżynieryjnymi.

Zespoły śledzące te dowody mogą przechowywać publikacje, założenia i zmieniające się szacunki w przeszukiwalnej bazie wiedzy. Zachowanie pierwotnych warunków ma znaczenie, gdy późniejsze ogłoszenie wykorzystuje podobny procent do opisania innego zasobu.

Na razie należy odczytywać symulację kwantową NVIDIA jako dowód dotyczący konkretnego procesu przygotowania i metody badania wrażliwych na sprzęt wyborów projektowych. Porównuj przyszłe aktualizacje według tych samych granic: jaki obwód uruchomiono, jakie błędy modelowano i jakie zasoby policzono. Pytaj, czy kolejne badanie wzmacnia związek między modelowaną wydajnością a zmierzonym zachowaniem sprzętu. Następnie szukaj szacunku aplikacyjnego, który przenosi te ustalenia na kompletne obliczenie. Taka sekwencja oferuje praktyczny sposób śledzenia postępu w technologiach kwantowych bez mylenia rekordu symulacji z gotową maszyną. Który przyszły wynik najbardziej zmieniłby Twoją ocenę: niezależne odtworzenie, zgodność z pomiarami sprzętowymi czy kompletne obciążenie pokazujące, gdzie faktycznie trafiają oszczędności zasobów?