es.wedoany.com Noticia: La empresa de computación fotónica Q.ANT demostró con éxito modelos de difusión y redes neuronales recurrentes en su unidad de procesamiento nativa de segunda generación durante la conferencia ISC High Performance 2026 en Hamburgo, probando que su arquitectura fotónica puede soportar cargas de trabajo modernas de IA, incluyendo síntesis de imágenes generativas y predicción de secuencias temporales.
Esta demostración de Q.ANT se basa en avances continuos en el ecosistema. Anteriormente, el desarrollador independiente Daisytuner logró compilar un modelo de detección de objetos desde PyTorch y desplegarlo en el procesador fotónico de Q.ANT, siendo la primera vez que un modelo de IA de un framework estándar de aprendizaje automático se compila con éxito en hardware fotónico.
Q.ANT afirma que su sistema de procesamiento nativo fotónico ha evolucionado desde la fase de algoritmos básicos hasta la etapa de aplicaciones comerciales. A nivel de circuitos fotónicos, el hardware de Q.ANT tiene como objetivo lograr una eficiencia energética 30 veces superior a la de los procesadores tradicionales al realizar operaciones matriciales equivalentes.
El Dr. Michael Förtsch, fundador y CEO de Q.ANT, señaló que la arquitectura fotónica cambia la forma en que se calcula el consumo energético de la infraestructura de IA, ya que realizar operaciones con luz en lugar de transistores reduce el consumo desde su origen, un cuello de botella que la industria de la IA debe superar. Destacó que la reciente demostración de IA generativa muestra que el hardware fotónico puede soportar la carga matemática de las cargas de trabajo modernas de IA más exigentes.
Para demostrar las capacidades de IA generativa, el hardware de Q.ANT ejecutó un modelo de difusión para realizar síntesis de imagen a imagen, una carga de trabajo definida por operaciones matriciales iterativas y paralelizadas. Q.ANT indicó que es la primera vez que un modelo de difusión de esta complejidad se ejecuta en hardware fotónico. Los modelos de difusión generan imágenes mediante la propagación directa repetida de redes neuronales profundas en operaciones matriciales densas. El procesador fotónico de Q.ANT utiliza luz en lugar de transistores para ejecutar las capas de cálculo principales, adentrándose así en el ámbito del álgebra lineal central de las aplicaciones modernas de IA.
El profesor Björn Ommer, responsable del grupo de Visión por Computadora y Aprendizaje de la Universidad Ludwig-Maximilian de Múnich, afirmó que los modelos de difusión son métodos ampliamente utilizados y computacionalmente intensivos en la IA generativa moderna. Si el hardware fotónico puede ejecutar estas cargas de trabajo de manera eficiente y fiable, indicaría que los sustratos computacionales alternativos podrían desempeñar un papel importante en el futuro de la IA generativa.
Q.ANT también ejecutó el modelo de predicción temporal TiRex, desarrollado por el laboratorio de IA de vanguardia austriaco NXAI, basado en una arquitectura de memoria a largo y corto plazo extendida. Lukas Fischer, director de Investigación Aplicada de NXAI, señaló que TiRex busca un equilibrio entre rendimiento y consumo energético, y que la arquitectura xLSTM en sistemas fotónicos podría redefinir el significado de la IA eficiente en energía. A diferencia de los modelos basados en Transformer, xLSTM es una red neuronal recurrente que identifica patrones en datos secuenciales y predice valores futuros en horizontes temporales largos. El modelo TiRex comercializado por NXAI utiliza pesos optimizados para producción, con aplicaciones previstas en análisis de mercados financieros, optimización de cadenas de suministro, predicción meteorológica y simulación de flujos de tráfico.
Mediante las demostraciones de xLSTM y modelos de difusión, Q.ANT muestra que su hardware puede ejecutar las categorías más exigentes de la IA moderna y está diseñado para una amplia gama de casos de uso de IA.
La demostración en ISC es el último hito de una serie de integraciones de terceros, colaboraciones comerciales y despliegues institucionales de Q.ANT. En mayo, Q.ANT obtuvo sus primeros pedidos comerciales a través de una colaboración con el proveedor de servicios en la nube alemán IONOS. En abril, el socio Daisytuner anunció el desarrollo de un compilador que utiliza herramientas estándar de IA para aplicaciones de detección de objetos en tiempo real. Instalaciones europeas de computación de alto rendimiento, como el Centro de Supercomputación Leibniz de Múnich y el Centro de Supercomputación de Jülich, están ejecutando hardware de Q.ANT en producción in situ.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
