Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Uskorenie issledovaniy v oblasti kvantovoy korrektsii oshibok s pomoschyu pelago
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Ускорение исследований в области квантовой коррекции ошибок с помощью Pelagos и AMD

Источник: AMD•19 ноября 2026 г. в 00:09

Ускорение исследований в области квантовой коррекции ошибок с помощью Pelagos и AMD

Узнайте, как декодер Pelagos от IBM и графические процессоры AMD Instinct ускоряют моделирование квантовой коррекции ошибок, масштабируя пропускную способность в 6,23 раза при переходе с одного на восемь графических процессоров.

AMD обеспечивает работу ведущих мировых систем научных вычислений: от экзафлопсных суперкомпьютеров, способствующих открытиям в США и Европе, до Lux — первой системы Genesis Mission для науки на базе ИИ. Благодаря передовым процессорам, графическим ускорителям, FPGA, сетевым решениям и открытому программному обеспечению ROCm, AMD предоставляет государствам, лабораториям и предприятиям единую открытую платформу для высокопроизводительных вычислений, ИИ для науки, суверенного ИИ, агентного ИИ и пути к квантовым вычислениям.

Отказоустойчивые квантовые компьютеры ближайшего будущего потребуют передовых методов квантовой коррекции ошибок (QEC). Для разработки и оценки этих методов исследователи все чаще полагаются на крупномасштабные задачи моделирования, которые могут создавать чрезмерную нагрузку на обычные вычислительные ресурсы. Более быстрое моделирование дает командам больше возможностей для проверки идей, уточнения гиперпараметров декодера и изучения перспективных квантовых кодов и алгоритмов декодирования.

Чтобы помочь исследователям более эффективно проводить эти изыскания, IBM и AMD разработали Pêlagos — программный инструмент с открытым исходным кодом для ускорения крупномасштабного моделирования QEC-декодеров. Теперь IBM и AMD выпускают Pêlagos, чтобы способствовать развитию и оценке новых стратегий декодирования, более глубокому изучению существующих декодеров и расширению инструментария, доступного исследователям QEC. Все желающие попробовать Pêlagos могут ознакомиться с кодом и подробным руководством на GitHub или узнать больше о проектировании, реализации и результатах масштабирования на графических процессорах AMD Instinct™ из новой совместной технической статьи IBM и AMD.

Моделирование декодера предоставляет естественную возможность воспользоваться преимуществами параллелизма, предлагаемого современными графическими ускорителями. Однако высокопроизводительные ядра GPU могут быть сложными для написания, поддержки и адаптации исследователями алгоритмов декодирования, даже в эпоху инструментов агентного программирования. Чтобы решить эту задачу, команда Pêlagos использовала Python-фреймворк Triton для создания высокопроизводительной реализации Relay-BP — перспективного QEC-декодера, разработанного для квантовых кодов с низкой плотностью проверок на четность (qLDPC), который также легко читать, изменять и адаптировать для изучения новых направлений в проектировании алгоритмов декодирования. Название Pêlagos происходит от греческого слова, означающего «открытое море».

Предоставление исследователям большего пространства для экспериментов

Квантовая коррекция ошибок защищает логическую информацию путем ее кодирования с использованием физических кубитов. Декодер интерпретирует измерения, называемые синдромами, чтобы сделать вывод о том, какие ошибки могли произойти. Оценка декодера требует повторения этого рабочего процесса для множества выборочных шаблонов ошибок, полученных из модели имитации шума, а затем измерения того, как часто защищенная информация восстанавливается правильно.

Задача усложняется, когда исследователи сравнивают различные коды, модели шума, параметры декодера или даже алгоритмы декодирования. Поскольку исследователи стремятся к исключительно низким уровням логических ошибок, необходимым для отказоустойчивых квантовых вычислений, требуется особая тщательность при статистической оценке. Более быстрое моделирование декодера позволяет увеличить количество выборок, обрабатываемых в рамках исследовательского бюджета, помогая командам исследовать больше конфигураций и оценивать производительность декодера с большей статистической достоверностью.

Квантовые коды с низкой плотностью проверок на четность (qLDPC), и в частности бивариантные велосипедные коды, являются важной целью для этой работы. Исследователи QEC находят их привлекательными, поскольку они обладают потенциалом защиты квантовой информации с меньшим количеством физических кубитов, чем другие подходы. Однако требования к их декодированию создают значительный объем вычислительной работы. Pêlagos ускоряет моделирование, необходимое для изучения этого компромисса.

Адаптивное программное обеспечение для ресурсоемких задач декодирования

В основе Pêlagos лежит ускоренная на GPU реализация Relay-BP — декодера квантовой коррекции ошибок, адаптированного из алгоритма распространения доверия (BP), семейства алгоритмов, широко используемых в классическом декодировании LDPC. Relay-BP был специально создан для кодов qLDPC, которые представляют уникальные проблемы при декодировании. Он работает путем итеративного обмена информацией о возможных ошибках с использованием последовательных попыток декодирования, подобно этапам эстафеты, чтобы повысить шансы на нахождение верного решения.

Для ускорения Relay-BP на GPU Pêlagos обрабатывает множество независимых синдромов одновременно, позволяя оценивать несколько задач декодирования параллельно. Однако для создания высокопроизводительной реализации Relay-BP требуется нечто большее, чем высокая степень параллелизма. В тестах, описанных в статье о Pêlagos, прямой перенос Relay-BP обеспечил меньшую пропускную способность, чем одно ядро CPU, в то время как оптимизированные ядра Pêlagos достигли скорости обработки до 97 раз выше. Достижение такого уровня производительности требует высокоэффективных ядер декодирования, способных адаптироваться к разнообразным вычислительным и ресурсным возможностям памяти, доступным в современных архитектурах GPU. См. Pêlagos paper, Figure 13.

Фреймворк Triton предоставляет удобное для разработчиков решение этой проблемы, сочетая интерфейс в стиле NumPy для выражения тензорных вычислений с системой настройки, которая автоматически обнаруживает детали реализации, такие как макеты памяти и распределение рабочей нагрузки, специфичные для каждого GPU. Pêlagos дополнительно расширяет эту возможность за счет снятия «отпечатков» устройств и кэширования результатов настройки. Это позволяет Pêlagos обеспечивать высокую производительность на графических процессорах различных производителей и моделей, оставаясь при этом простым для чтения, модификации и адаптации для будущих исследований.

IBM развернула Pêlagos на уровне кластера, чтобы значительно ускорить исследования декодеров. Ранее в этом году кампания из 312 экспериментов, запущенная на кластере IBM BlueVela с использованием 1024 графических процессоров, была завершена менее чем за 20 дней. По оценкам, выполнение той же кампании на одном графическом процессоре заняло бы около 45 лет. Эта кампания иллюстрирует масштаб задач моделирования, которые лежат в основе современных исследований декодеров, и создает основу для работы команды Pêlagos над многопроцессорными системами AMD. См. .

Помощь в эффективной совместной работе нескольких графических процессоров AMD

В новой совместной технической статье IBM и AMD рассматривается, как Pêlagos масштабируется на многопроцессорных вычислительных узлах с графическими процессорами AMD Instinct™. В данном контексте проблема заключается в том, что, хотя независимые задачи декодирования обеспечивают достаточный объем параллельной работы, подготовка входных данных и сбор выходных данных могут стать «узким местом» по мере добавления новых GPU. Добавление ускорителей приносит больше пользы, когда сопутствующее программное обеспечение не отстает.

AMD и IBM решили эту проблему путем тщательного разделения и распределения рабочей нагрузки между CPU и GPU. В частности, конструкция команды изолирует подготовку задач на CPU, чтобы постоянные рабочие процессы на каждом GPU имели стабильный поток задач, в то время как общая память хоста собирает результаты, не вызывая простоев GPU.

Для эталонного теста бивариантного велосипедного кода на 144 кубита (одна гросс) переход с одного на восемь графических процессоров увеличивает оптимизированную сквозную пропускную способность в 5,68 раза на GPU AMD Instinct MI300X и в 6,23 раза на GPU MI355X. При том же количестве из восьми GPU оптимизированный рабочий процесс обеспечивает пропускную способность в 2,64 раза выше, чем исходный рабочий процесс Pêlagos на системе MI300X, и в 2,07 раза выше на системе MI355X. Эти сравнения демонстрируют как преимущество использования дополнительных GPU, так и преимущество снижения накладных расходов на оркестрацию. Это сравнения рабочих процессов внутри каждой платформы, а не сравнение производительности между двумя моделями GPU. См. сопутствующий технический документ, рисунок 2 и таблицу III.

Для квантовых исследователей это означает больший объем работы по декодированию, выполненный в рамках конкретного симуляционного исследования, и больше возможностей для изучения производительности декодера в более широком наборе конфигураций. Обратите внимание, что эти результаты измеряют совокупную пропускную способность симуляции. К реальному квантовому оборудованию предъявляются отдельные требования к времени отклика на каждый синдром.

Связь квантовых исследований с инфраструктурой ИИ и высокопроизводительных вычислений (HPC)

Оценка MI355X проводится на суперкомпьютере AMD Lux в Окриджской национальной лаборатории, демонстрируя, как система ИИ и высокопроизводительных вычислений может поддерживать исследования в области квантовой коррекции ошибок. Это развертывание предоставляет конкретный вариант использования квантовых вычислений для инфраструктуры, поддерживающей цели научных открытий миссии Genesis. Оцениваемые платформы сочетают графические процессоры AMD Instinct с процессорами AMD EPYC™ и работают под управлением PyTorch на программном обеспечении AMD ROCm™.

Для AMD эта работа служит конкретным примером того, как классическая инфраструктура поддерживает квантовый прогресс. Ускоренное декодирование помогает исследователям оценивать проекты-кандидаты перед развертыванием, а переносимое программное обеспечение дает им возможность проводить эти исследования на различных вычислительных платформах. Сотрудничество между разработчиками декодеров и системными специалистами помогает преобразовать эти возможности в полезную производительность приложений.

Pêlagos совместно поддерживается инженерами IBM и AMD и включает в себя самонастраивающийся GPU-декодер с поддержкой нескольких GPU, интеграцию с симулятором Stim, а также пошаговые руководства для начала работы. Исследователи, заинтересованные в использовании Pêlagos, могут изучить код и руководства на GitHub, поэкспериментировать со своими собственными кодами коррекции ошибок и декодерами, а также внести свой вклад в проект.

Чтобы узнать больше, изучите оригинальную статью о Pêlagos для получения подробной информации об архитектуре адаптивного декодера и прочитайте более недавний сопутствующий технический документ о реализации с несколькими GPU и результатах производительности на системах AMD Instinct™. Вместе они предлагают практическое руководство для команд, создающих рабочие процессы симуляции квантовой коррекции ошибок следующего поколения.

Изучить исследование

  • Код Pêlagos и руководство на GitHub
  • AMD и гибридное будущее квантовых вычислений
← Все статьи

О чём эта статья

Ещё в разделе «Hardware и электроника»

Все →
Создание классического фундамента для отказоустойчивых квантовых вычислений
AMD

Создание классического фундамента для отказоустойчивых квантовых вычислений

Компания Honeywell Technologies выбрана для содействия Phelan Green в ускорении производства eSAF с помощью комплексного модульного решения
Honeywell Energy

Компания Honeywell Technologies выбрана для содействия Phelan Green в ускорении производства eSAF с помощью комплексного модульного решения

Что такое лидар? Принцип работы, типы и применение
Ouster

Что такое лидар? Принцип работы, типы и применение

L3Harris получает контракт Объединенной группы по обеспечению потенциала на внедрение передовой системы
L3Harris

L3Harris получает контракт Объединенной группы по обеспечению потенциала на внедрение передовой системы

Является ли Apple тихой гаванью, какой ее считают инвесторы? Вот способ торговли с меньшим рискомПресса
Apple

Является ли Apple тихой гаванью, какой ее считают инвесторы? Вот способ торговли с меньшим риском

Обновленный проигрыватель винила от Sony — простой способ приобщиться к миру винилаПресса
Sony

Обновленный проигрыватель винила от Sony — простой способ приобщиться к миру винила

Ещё от AMD

Создание классического фундамента для отказоустойчивых квантовых вычислений
AMD

Создание классического фундамента для отказоустойчивых квантовых вычислений

AMD внедряет агентный ИИ в суперкомпьютерные вычисления с помощью Open-Source AMD HPC Assistant, дебютирующего на LUMI и Frontier
AMD

AMD внедряет агентный ИИ в суперкомпьютерные вычисления с помощью Open-Source AMD HPC Assistant, дебютирующего на LUMI и Frontier

Больше ИИ. Больше контроля. AMD Instinct MI350P приходит в Windows Server.
AMD

Больше ИИ. Больше контроля. AMD Instinct MI350P приходит в Windows Server.

Технология AMD AI NIC: сетевые адаптеры AMD AI NIC теперь поддерживают HPC для ускорения научных исследований с помощью ИИ
AMD

Технология AMD AI NIC: сетевые адаптеры AMD AI NIC теперь поддерживают HPC для ускорения научных исследований с помощью ИИ

AMD расширяет возможности обучения ИИ в MLPerf® Training 6.1
AMD

AMD расширяет возможности обучения ИИ в MLPerf® Training 6.1

AMD и Rancher Government Solutions внедряют безопасные HPC и ИИ в Kubernetes
AMD

AMD и Rancher Government Solutions внедряют безопасные HPC и ИИ в Kubernetes