es.wedoany.com Noticia: La empresa británica de computación cuántica fotónica Aegiq ha anunciado una serie de hitos tecnológicos al integrar inteligencia artificial y matemáticas de redes tensoriales en su hardware operativo y su pila de software de computación de alto rendimiento (HPC). Estos logros se han implementado en su primera unidad de procesamiento cuántico (QPU) y en su biblioteca de software híbrido, resolviendo cuellos de botella críticos de escalabilidad en la estabilidad del hardware y la dinámica de fluidos computacional (CFD). Al aprovechar los marcos de IA especializados y las arquitecturas aceleradas de NVIDIA, la empresa ha demostrado una optimización automática del sistema y modelos de escala logarítmica capaces de manejar datos de ingeniería de escala extrema.
Las plataformas de computación cuántica son estructuralmente susceptibles al ruido ambiental y la deriva del hardware, lo que tradicionalmente requiere ajustes manuales por parte de ingenieros especializados para mantener la línea base de rendimiento. Para automatizar el mantenimiento del hardware, Aegiq ha integrado la serie de modelos de IA de código abierto NVIDIA Ising en el flujo de trabajo diario de su computadora cuántica fotónica Artemis, instalada en el Centro Nacional de Computación Cuántica (NQCC) del Reino Unido. Bajo una arquitectura basada en agentes, la plataforma utiliza modelos de lenguaje visual (VLM) de calibración preentrenados que se ejecutan en sistemas NVIDIA locales para explorar el espacio de parámetros del hardware. La configuración multiagente puede interpretar indicaciones en lenguaje natural, coordinando ajustes de hardware en tiempo real para equilibrar métricas clave de puntos cuánticos como el brillo, la pureza y la indistinguibilidad de los fotones, al tiempo que reduce los costos operativos de ingeniería semanal en 3 veces.
En el ámbito del software, Aegiq colabora con EPCC de la Universidad de Edimburgo, la Universidad de Massachusetts Amherst y el Laboratorio Nacional de Oak Ridge (ORNL) para abordar los límites de almacenamiento de datos en simulaciones de fluidos a escala extrema. Los programas modernos de CFD de alta fidelidad generan cientos de terabytes de datos, con requisitos de memoria de hasta 275 GB para una sola instantánea de flujo. En un artículo publicado en arXiv, el equipo presenta un método de compresión inspirado en la cuántica que mapea datos de fluidos de alta dimensión a redes tensoriales unidimensionales, específicamente estados de producto de matrices. Este marco matemático aprovecha la estructura física de la dinámica de fluidos turbulentos: similar a los efectos de entrelazamiento cuántico de corto alcance, los principales intercambios de energía en el proceso de cascada turbulenta ocurren entre escalas de vórtices adyacentes, logrando así una relación de compresión de datos sin pérdidas de 10 veces en hardware clásico.
Para traducir estas ventajas de escalado teórico a aplicaciones de nivel industrial, Aegiq ha integrado la biblioteca NVIDIA cuTensorNet (un componente central del SDK NVIDIA cuQuantum) para impulsar sus algoritmos de CFD preparados para computación cuántica. Al aplicar métodos de redes tensoriales a geometrías reales, configurar la malla computacional subyacente es un obstáculo importante. Aegiq ha desarrollado un esquema patentado de generación de mallas diseñado para alinear los límites físicos con la estructura tensorial. Al implementarse en GPUs NVIDIA L40S, esta arquitectura de malla especializada permite que el sistema muestre tiempos de ejecución y consumo de memoria que varían logarítmicamente, al tiempo que puede generar mallas computacionales de más de mil millones de nodos, cumpliendo con los requisitos estándar de diseño industrial en hardware clásico existente.
La principal ventaja operativa del marco tensorial de Aegiq es que puede ejecutar ecuaciones de fluidos no lineales complejas directamente dentro del formato de datos comprimidos, sin necesidad de descompresión completa del estado. El equipo de investigación ha demostrado que operaciones de alta intensidad, como las convoluciones espaciales utilizadas por los solucionadores clásicos de Navier-Stokes, pueden ejecutarse dentro del marco de representación de estados de producto de matrices. Al procesar conjuntos de datos a gran escala, este enfoque de procesamiento en el dominio comprimido logra una aceleración significativa en comparación con los métodos tradicionales de transformada rápida de Fourier (FFT). Dado que la ventaja computacional es proporcional a la escala y complejidad de la simulación, este marco cambia fundamentalmente las características de escalado de las ecuaciones diferenciales parciales de alta dimensión, haciendo manejables problemas de ingeniería que antes eran difíciles de abordar.
La fusión de la calibración automatizada por IA con bibliotecas tensoriales preparadas para la cuántica forma una trayectoria de evolución continua que conecta las supercomputadoras GPU actuales con el futuro hardware cuántico tolerante a fallos. La arquitectura algorítmica acelerada por la plataforma NVIDIA es inherentemente preparada para la cuántica, lo que significa que los estados de fluidos comprimidos pueden mapearse directamente a registros cuánticos mediante protocolos de preparación de estados ya establecidos. Esto permite que los usuarios empresariales en campos como la ingeniería aeroespacial, la investigación de energía limpia y el modelado climático obtengan mejoras de rendimiento inmediatas en clústeres GPU clásicos (como el sistema Frontier de ORNL), al tiempo que garantizan que sus tuberías de software puedan hacer la transición a QPU fotónicas a gran escala con corrección de errores a medida que evoluciona el hardware subyacente. Los detalles técnicos y los resultados académicos relacionados pueden consultarse a través de los siguientes canales: Informe de calibración de IA de Aegiq Artemis, Informe técnico de CFD de Aegiq cuQuantum, Portal de redes tensoriales de Aegiq y el repositorio de resultados revisados por pares arXiv:2606.17064.
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
