fr.wedoany.com Rapport : La société britannique de calcul quantique photonique Aegiq a annoncé une série d'étapes technologiques majeures, intégrant l'intelligence artificielle et les mathématiques des réseaux tensoriels dans ses opérations matérielles et sa pile logicielle de calcul haute performance (HPC). Ces résultats ont été déployés sur la première génération de son unité de traitement quantique (QPU) et de sa bibliothèque logicielle hybride, résolvant des goulots d'étranglement critiques en matière de stabilité matérielle et de scalabilité dans la dynamique des fluides computationnelle (CFD). En exploitant les frameworks d'IA spécialisés et l'architecture accélérée de NVIDIA, l'entreprise a démontré une optimisation automatique du système ainsi qu'un modèle à mise à l'échelle logarithmique capable de traiter des données d'ingénierie à des échelles extrêmes.

Les plateformes de calcul quantique sont structurellement vulnérables aux interférences du bruit ambiant et à la dérive matérielle, nécessitant traditionnellement un réglage manuel par des ingénieurs spécialisés pour maintenir une performance de base. Afin d'automatiser la maintenance matérielle, Aegiq a intégré les modèles d'IA open source de la série Ising de NVIDIA dans les flux opérationnels quotidiens de son ordinateur quantique photonique Artemis, installé au Centre national de calcul quantique (NQCC) du Royaume-Uni. Dans une architecture basée sur des agents, la plateforme utilise des modèles de langage visuel (VLM) de calibration pré-entraînés, exécutés sur des systèmes NVIDIA locaux, pour explorer l'espace des paramètres matériels. Une configuration multi-agents permet d'interpréter des invites en langage naturel, coordonnant ainsi des ajustements matériels en temps réel pour équilibrer des indicateurs quantiques clés tels que la luminosité, la pureté et l'indiscernabilité des photons, tout en réduisant de 3 fois les coûts opérationnels hebdomadaires d'ingénierie.

Sur le plan logiciel, Aegiq collabore avec l'EPCC de l'Université d'Édimbourg, l'Université du Massachusetts à Amherst et le Laboratoire national d'Oak Ridge (ORNL) pour résoudre les limites de stockage de données dans les simulations de fluides à échelle extrême. Les programmes CFD modernes à haute fidélité génèrent des centaines de téraoctets de données, avec des besoins en mémoire allant jusqu'à 275 Go pour un seul instantané d'écoulement. Dans un article publié sur arXiv, l'équipe présente une méthode de compression inspirée du quantique, qui mappe les données de fluide à haute dimension sur des réseaux tensoriels unidimensionnels, en particulier des états de produit matriciel. Ce cadre mathématique exploite la structure physique de la dynamique des fluides turbulents : à l'instar des effets d'intrication quantique à courte portée, les échanges d'énergie principaux dans la cascade turbulente se produisent entre des échelles de vortex adjacentes, permettant ainsi un taux de compression de données sans perte de 10 fois sur du matériel classique.

Pour transformer ces avantages théoriques de mise à l'échelle en applications industrielles, Aegiq a intégré la bibliothèque NVIDIA cuTensorNet (composant central du SDK NVIDIA cuQuantum) afin de piloter ses algorithmes CFD prêts pour le calcul quantique. L'application de la méthode des réseaux tensoriels à des géométries réelles pose un défi majeur : la configuration de la grille de calcul sous-jacente. Aegiq a développé un schéma propriétaire de génération de maillage visant à aligner les frontières physiques avec la structure tensorielle. Déployée sur des GPU NVIDIA L40S, cette architecture de maillage spécialisée permet au système de présenter un temps d'exécution et une consommation mémoire à variation logarithmique, tout en générant des grilles de calcul de plus d'un milliard de nœuds, répondant aux exigences standard de conception industrielle sur du matériel classique existant.

Le principal avantage opérationnel du framework tensoriel d'Aegiq réside dans sa capacité à exécuter directement des équations de fluides non linéaires complexes au sein du format de données compressé, sans nécessiter de décompression complète de l'état. L'équipe de recherche a démontré que des opérations intensives, telles que les convolutions spatiales utilisées par les solveurs classiques de Navier-Stokes, peuvent être effectuées dans le cadre de la représentation par état de produit matriciel. Lors du traitement de grands ensembles de données, cette approche de traitement en domaine compressé offre une accélération significative par rapport aux méthodes traditionnelles de transformée de Fourier rapide (FFT). Étant donné que l'avantage computationnel est proportionnel à l'échelle et à la complexité de la simulation, ce framework modifie fondamentalement les propriétés de mise à l'échelle des équations aux dérivées partielles à haute dimension, rendant ainsi des problèmes d'ingénierie auparavant difficiles à traiter.

La fusion de la calibration automatisée par IA et des bibliothèques tensorielles prêtes pour le quantique forme une voie d'évolution continue, reliant les supercalculateurs GPU actuels aux futurs matériels quantiques tolérants aux pannes. L'architecture algorithmique accélérée par la plateforme NVIDIA est intrinsèquement prête pour le quantique, ce qui signifie que les états de fluide compressés peuvent être directement mappés sur des registres quantiques via des protocoles de préparation d'état établis. Cela permet aux utilisateurs industriels dans des domaines tels que l'ingénierie aérospatiale, la recherche sur l'énergie propre et la modélisation climatique, de bénéficier immédiatement d'améliorations de performance sur des clusters GPU classiques (comme le système Frontier de l'ORNL), tout en garantissant que leurs pipelines logiciels puissent transitionner, à mesure que le matériel sous-jacent évolue, vers des QPU photoniques à grande échelle et dotés de capacités de correction d'erreurs. Les détails techniques et les résultats académiques sont disponibles via les canaux suivants : rapport de calibration AI Artemis d'Aegiq, note technique CFD cuQuantum d'Aegiq, portail des réseaux tensoriels d'Aegiq, et le dépôt de résultats d'évaluation par les pairs arXiv:2606.17064.

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