de.wedoany.com-Bericht: Das britische photonische Quantencomputing-Unternehmen Aegiq hat eine Reihe technologischer Meilensteine bekannt gegeben, bei denen Künstliche Intelligenz und Tensor-Netzwerk-Mathematik in seine Hardware-Operationen und den Software-Stack für Hochleistungsrechnen (HPC) integriert wurden. Diese Ergebnisse wurden auf der ersten Generation der Quantenverarbeitungseinheit (QPU) des Unternehmens und der hybriden Softwarebibliothek eingesetzt und lösen kritische Skalierbarkeitsengpässe bei der Hardwarestabilität und der numerischen Strömungsmechanik (CFD). Durch die Nutzung der spezialisierten KI-Frameworks und der beschleunigten Architektur von NVIDIA demonstrierte das Unternehmen eine automatische Systemoptimierung sowie logarithmisch skalierende Modelle, die extreme Mengen an Ingenieurdaten verarbeiten können.
Quantencomputerplattformen sind strukturell anfällig für Umgebungsrauschen und Hardwaredrift, was traditionell manuelle Justierungen durch spezialisierte Ingenieure erfordert, um die Leistungsbasislinie aufrechtzuerhalten. Zur Automatisierung der Hardwarewartung hat Aegiq die Open-Source-KI-Modelle der NVIDIA Ising-Serie in den täglichen Betriebsablauf seines am britischen National Quantum Computing Centre (NQCC) installierten Artemis-Photonen-Quantencomputers integriert. In einer agentenbasierten Architektur nutzt die Plattform vortrainierte kalibrierende visuelle Sprachmodelle (VLM), die auf lokalen NVIDIA-Systemen laufen, um den Hardware-Parameterraum zu erkunden. Die Multi-Agenten-Konfiguration kann natürliche Sprachaufforderungen interpretieren, um Echtzeit-Hardwareanpassungen zu koordinieren, kritische Quantenpunktindikatoren wie Photonenhelligkeit, Reinheit und Ununterscheidbarkeit auszugleichen und gleichzeitig den wöchentlichen Betriebsingenieuraufwand um das Dreifache zu reduzieren.
Auf der Softwareseite arbeitet Aegiq mit dem EPCC der Universität Edinburgh, der University of Massachusetts Amherst und dem Oak Ridge National Laboratory (ORNL) zusammen, um die Datenspeicherobergrenze bei extrem großen Fluidsimulationen zu bewältigen. Moderne hochauflösende CFD-Programme erzeugen Hunderte von Terabytes an Daten, wobei der Speicherbedarf für einen einzelnen Strömungsschnappschuss bis zu 275 GB beträgt. In einem auf arXiv veröffentlichten Papier stellt das Team eine quanteninspirierte Kompressionsmethode vor, die hochdimensionale Strömungsdaten auf eindimensionale Tensor-Netzwerke, insbesondere Matrix-Produkt-Zustände, abbildet. Dieses mathematische Framework nutzt die physikalische Struktur der turbulenten Strömungsdynamik: Ähnlich wie kurzreichweitige Quantenverschränkungseffekte findet der wesentliche Energieaustausch in der turbulenten Kaskade zwischen benachbarten Wirbelskalen statt, was auf klassischer Hardware ein verlustfreies Datenkompressionsverhältnis von 10:1 ermöglicht.
Um diese theoretischen Skalierungsvorteile in industrielle Anwendungen zu überführen, hat Aegiq die NVIDIA cuTensorNet-Bibliothek (ein Kernbestandteil des NVIDIA cuQuantum SDK) integriert, um seine quantenbereiten CFD-Algorithmen anzutreiben. Eine große Hürde bei der Anwendung von Tensor-Netzwerk-Methoden auf reale Geometrien ist die Konfiguration des zugrunde liegenden Rechengitters. Aegiq hat ein proprietäres Gittererzeugungsschema entwickelt, das darauf abzielt, physikalische Grenzen an der Tensorstruktur auszurichten. Bei der Bereitstellung auf NVIDIA L40S GPUs ermöglicht diese spezialisierte Gitterarchitektur dem System, logarithmisch skalierende Laufzeiten und Speicherverbräuche zu zeigen, während es Rechengitter mit über einer Milliarde Knoten erzeugen kann, die den Standard-Industrieanforderungen auf vorhandener klassischer Hardware entsprechen.
Der wesentliche betriebliche Vorteil des Aegiq-Tensor-Frameworks liegt in seiner Fähigkeit, komplexe nichtlineare Strömungsgleichungen direkt im komprimierten Datenformat auszuführen, ohne eine vollständige Zustandsdekompression durchführen zu müssen. Das Forschungsteam hat nachgewiesen, dass rechenintensive Operationen wie räumliche Faltungen, wie sie von klassischen Navier-Stokes-Lösern verwendet werden, im Rahmen der Matrix-Produkt-Zustands-Darstellung ausgeführt werden können. Bei der Verarbeitung großer Datensätze erzielt diese Verarbeitung im komprimierten Bereich eine deutliche Beschleunigung gegenüber herkömmlichen schnellen Fourier-Transformationsmethoden (FFT). Da der Rechenvorteil proportional zum Umfang und zur Komplexität der Simulation ist, verändert dieses Framework grundlegend die Skalierungseigenschaften hochdimensionaler partieller Differentialgleichungen und macht bisher schwer handhabbare Ingenieurprobleme beherrschbar.
Die Verschmelzung der automatisierten KI-Kalibrierung mit quantenbereiten Tensor-Bibliotheken schafft einen kontinuierlichen Entwicklungspfad, der aktuelle GPU-Supercomputer mit zukünftiger fehlertoleranter Quantenhardware verbindet. Die durch die NVIDIA-Plattform beschleunigte Algorithmenarchitektur ist von Natur aus quantenbereit, was bedeutet, dass komprimierte Strömungszustände über etablierte Zustandspräparationsprotokolle direkt auf Quantenregister abgebildet werden können. Dies ermöglicht es Unternehmensnutzern in Bereichen wie Luft- und Raumfahrttechnik, sauberer Energieforschung und Klimamodellierung, sowohl sofortige Leistungssteigerungen auf klassischen GPU-Clustern (wie dem ORNL-Frontier-System) zu erzielen als auch sicherzustellen, dass ihre Software-Pipelines mit der Weiterentwicklung der zugrunde liegenden Hardware auf groß angelegte, fehlerkorrigierte photonische QPUs übergehen können. Detaillierte technische Informationen und akademische Ergebnisse können über die folgenden Kanäle eingesehen werden: Aegiq Artemis KI-Kalibrierungsbericht, Aegiq cuQuantum CFD-Briefing, Aegiq Tensor-Netzwerk-Portal sowie das umfassende, von Fachleuten begutachtete Ableitungs-Repository arXiv:2606.17064.
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
