de.wedoany.com-Bericht: Das Photonik-Unternehmen Q.ANT hat auf der ISC High Performance 2026 in Hamburg erfolgreich Diffusionsmodelle und rekurrente neuronale Netze auf seiner zweiten Generation nativer Verarbeitungseinheiten demonstriert. Damit belegt es, dass seine photonische Architektur moderne KI-Workloads wie generative Bildsynthese und Zeitreihenvorhersage unterstützen kann.
Diese Demonstration von Q.ANT baut auf kontinuierlichen Fortschritten im Ökosystem auf. Zuvor hatte der unabhängige Entwickler Daisytuner bereits ein Objekterkennungsmodell von PyTorch auf den Q.ANT-Photonikprozessor kompiliert – das erste Mal, dass ein KI-Modell aus einem standardisierten Machine-Learning-Framework erfolgreich auf photonische Hardware übertragen wurde.
Q.ANT gibt an, dass sein photonisches, nativ verarbeitendes System von der Phase grundlegender Algorithmen zur kommerziellen Anwendung übergegangen ist. Auf der Ebene photonischer Schaltungen strebt die Q.ANT-Hardware bei der Ausführung äquivalenter Matrixoperationen eine 30-fach höhere Energieeffizienz im Vergleich zu herkömmlichen Prozessoren an.
Dr. Michael Förtsch, Gründer und CEO von Q.ANT, betont, dass die Photonik-Architektur die Berechnung des Energieverbrauchs von KI-Infrastrukturen verändert. Die Durchführung von Berechnungen mit Licht statt mit Transistoren reduziere den Energieverbrauch an der Quelle – ein Engpass, den die KI-Branche überwinden müsse. Er unterstreicht, dass die jüngsten Demonstrationen generativer KI belegen, dass photonische Hardware die mathematische Last der anspruchsvollsten modernen KI-Workloads tragen kann.
Um die Fähigkeiten generativer KI zu demonstrieren, führte die Q.ANT-Hardware ein Diffusionsmodell zur Bild-zu-Bild-Synthese aus – ein Workload, der durch iterative, parallelisierte Matrixoperationen definiert ist. Q.ANT gibt an, dass dies das erste Mal ist, dass ein Diffusionsmodell dieser Komplexität auf photonischer Hardware läuft. Diffusionsmodelle erzeugen Bilder durch wiederholte Vorwärtsdurchläufe dichter Matrixoperationen in tiefen neuronalen Netzen. Der Q.ANT-Photonikprozessor führt die wichtigsten Berechnungsschichten mit Licht statt mit Transistoren aus und dringt damit in den Bereich der linearen Arithmetik vor, der für moderne KI-Anwendungen zentral ist.
Prof. Dr. Björn Ommer, Leiter der Arbeitsgruppe für Computer Vision und Lernen an der Ludwig-Maximilians-Universität München, erklärt, dass Diffusionsmodelle eine weit verbreitete und rechenintensive Methode der modernen generativen KI seien. Wenn photonische Hardware solche Workloads effizient und zuverlässig ausführen könne, deute dies darauf hin, dass alternative Rechensubstrate eine wichtige Rolle in der Zukunft generativer KI spielen könnten.
Q.ANT führte zudem das TiRex-Zeitreihenvorhersagemodell aus, das vom österreichischen KI-Spitzenlabor NXAI entwickelt wurde und auf der erweiterten Long-Short-Term-Memory-Architektur basiert. Lukas Fischer, Leiter der angewandten Forschung bei NXAI, sagt, dass TiRex auf ein Gleichgewicht zwischen Leistung und Energieverbrauch abziele. Die xLSTM-Architektur könne auf photonischen Systemen die Bedeutung energieeffizienter KI neu definieren. Im Gegensatz zu Transformer-basierten Modellen ist xLSTM ein rekurrentes neuronales Netz, das Muster in Sequenzdaten erkennt und zukünftige Werte über lange Zeiträume vorhersagt. Das kommerzialisierte TiRex-Modell von NXAI verwendet produktionsoptimierte Gewichte und zielt auf Anwendungen in der Finanzmarktanalyse, Lieferkettenoptimierung, Wettervorhersage und Verkehrsflusssimulation ab.
Mit den Demonstrationen von xLSTM und Diffusionsmodellen zeigt Q.ANT, dass seine Hardware die anspruchsvollsten Kategorien moderner KI ausführen kann und für ein breites Spektrum von KI-Anwendungsfällen ausgelegt ist.
Die ISC-Demonstration ist das jüngste Ergebnis einer Reihe von Drittanbieter-Integrationen, kommerziellen Partnerschaften und institutionellen Bereitstellungen von Q.ANT. Im Mai erhielt Q.ANT die ersten kommerziellen Aufträge durch die Zusammenarbeit mit dem deutschen Cloud-Dienstleister IONOS. Im April gab der Partner Daisytuner die Entwicklung eines Compilers unter Verwendung standardisierter KI-Toolchains für Echtzeit-Objekterkennungsanwendungen bekannt. Europäische Hochleistungsrechenzentren wie das Leibniz-Rechenzentrum München und das Jülich Supercomputing Centre betreiben Q.ANT-Hardware im Live-Produktionseinsatz.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
