fr.wedoany.com Rapport : L’entreprise de calcul photonique Q.ANT a présenté avec succès des modèles de diffusion et des réseaux de neurones récurrents sur sa deuxième génération d’unités de traitement natives lors du salon ISC High Performance 2026 à Hambourg, démontrant que son architecture photonique peut prendre en charge des charges de travail d’IA modernes, notamment la synthèse d’images génératives et la prédiction de séquences temporelles.
Cette démonstration de Q.ANT s’appuie sur des progrès continus au sein de son écosystème. Auparavant, le développeur indépendant Daisytuner avait réussi à compiler un modèle de détection d’objets depuis PyTorch et à le déployer sur le processeur photonique de Q.ANT, marquant la première fois qu’un modèle d’IA issu d’un framework d’apprentissage automatique standard était compilé avec succès sur du matériel photonique.
Q.ANT indique que son système de traitement natif photonique est passé de la phase des algorithmes de base à celle des applications commerciales. Au niveau des circuits photoniques, l’efficacité énergétique cible du matériel Q.ANT lors de l’exécution d’opérations matricielles équivalentes est 30 fois supérieure à celle des processeurs traditionnels.
Le Dr Michael Förtsch, fondateur et PDG de Q.ANT, souligne que l’architecture photonique transforme la manière de calculer la consommation énergétique de l’infrastructure d’IA. Effectuer les calculs avec de la lumière plutôt qu’avec des transistors permet de réduire la consommation à la source, un goulot d’étranglement que l’industrie de l’IA doit absolument surmonter. Il insiste sur le fait que les récentes démonstrations d’IA générative montrent que le matériel photonique peut supporter la charge mathématique des charges de travail d’IA modernes les plus exigeantes.
Pour démontrer ses capacités en IA générative, le matériel Q.ANT a exécuté un modèle de diffusion pour la synthèse d’image à image, une charge de travail définie par des opérations matricielles itératives et parallélisées. Q.ANT affirme qu’il s’agit de la première exécution d’un modèle de diffusion de cette complexité sur du matériel photonique. Les modèles de diffusion génèrent des images par propagation avant répétée dans des opérations matricielles denses via des réseaux de neurones profonds. Le processeur photonique Q.ANT utilise la lumière plutôt que des transistors pour exécuter les couches de calcul principales, entrant ainsi dans le domaine de l’arithmétique linéaire au cœur des applications d’IA modernes.
Le professeur Björn Ommer, responsable du groupe de vision par ordinateur et d’apprentissage à l’Université Louis-et-Maximilien de Munich, déclare que les modèles de diffusion sont des méthodes largement utilisées et intensives en calcul dans l’IA générative moderne. Si le matériel photonique peut exécuter efficacement et de manière fiable de telles charges de travail, cela indique que des substrats de calcul alternatifs pourraient jouer un rôle important dans l’avenir de l’IA générative.
Q.ANT a également exécuté le modèle de prédiction de séquences temporelles TiRex, développé par le laboratoire d’IA de pointe autrichien NXAI, basé sur une architecture de mémoire à long et court terme étendue. Lukas Fischer, responsable de la recherche appliquée chez NXAI, explique que TiRex vise à équilibrer performance et consommation énergétique, et que l’architecture xLSTM sur un système photonique pourrait redéfinir ce que signifie une IA économe en énergie. Contrairement aux modèles basés sur Transformer, xLSTM est un réseau de neurones récurrent utilisé pour identifier des motifs dans des données séquentielles et prédire des valeurs futures sur de longues périodes. Le modèle TiRex commercialisé par NXAI utilise des poids optimisés pour la production, avec des applications cibles dans l’analyse des marchés financiers, l’optimisation des chaînes d’approvisionnement, les prévisions météorologiques et la simulation des flux de trafic.
Grâce aux démonstrations de xLSTM et des modèles de diffusion, Q.ANT montre que son matériel peut exécuter les catégories les plus exigeantes de l’IA moderne et qu’il est conçu pour un large éventail de cas d’usage de l’IA.
La démonstration à l’ISC est le dernier résultat en date d’une série d’intégrations tierces, de partenariats commerciaux et de déploiements institutionnels pour Q.ANT. En mai, Q.ANT a obtenu ses premières commandes commerciales grâce à un partenariat avec le fournisseur de services cloud allemand IONOS. En avril, le partenaire Daisytuner a annoncé le développement d’un compilateur utilisant une chaîne d’outils d’IA standard pour des applications de détection d’objets en temps réel. Des installations de calcul haute performance européennes, comme le Centre de calcul Leibniz à Munich et le Centre de calcul Jülich, exécutent le matériel Q.ANT en production sur site.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
