Репортаж от Wedoany，Компания Q.ANT, специализирующаяся на фотонных вычислениях, успешно продемонстрировала работу диффузионных моделей и рекуррентных нейронных сетей на процессорах второго поколения на конференции ISC High Performance 2026 в Гамбурге, доказав, что её фотонная архитектура способна поддерживать современные рабочие нагрузки ИИ, включая генеративный синтез изображений и прогнозирование временных рядов.
Данная демонстрация Q.ANT основана на продолжающемся прогрессе в развитии экосистемы. Ранее независимый разработчик Daisytuner реализовал компиляцию модели обнаружения объектов из PyTorch и её развёртывание на фотонном процессоре Q.ANT, что стало первой успешной компиляцией модели ИИ из стандартного фреймворка машинного обучения на фотонное оборудование.
Q.ANT заявляет, что её фотонная нативная система обработки перешла от этапа базовых алгоритмов к коммерческому применению. На уровне фотонных схем оборудование Q.ANT достигает целевой энергоэффективности в 30 раз выше по сравнению с традиционными процессорами при выполнении эквивалентных матричных операций.
Доктор Михаэль Фёрч, основатель и генеральный директор Q.ANT, отметил, что фотонная архитектура меняет подход к расчёту энергопотребления в инфраструктуре ИИ: выполнение вычислений с помощью света вместо транзисторов позволяет снизить энергопотребление на начальном этапе, что является ключевым узким местом, которое необходимо преодолеть индустрии ИИ. Он подчеркнул, что недавняя демонстрация генеративного ИИ показывает способность фотонного оборудования выдерживать математическую нагрузку самых требовательных современных рабочих нагрузок ИИ.
Для демонстрации возможностей генеративного ИИ оборудование Q.ANT запустило диффузионную модель для выполнения синтеза изображений "изображение в изображение", рабочая нагрузка которой определяется итеративными, параллелизованными матричными операциями. Q.ANT заявляет, что это первый случай запуска диффузионной модели такой сложности на фотонном оборудовании. Диффузионные модели генерируют изображения путём повторяющегося прямого распространения в глубоких нейронных сетях с использованием плотных матричных операций. Фотонный процессор Q.ANT использует свет вместо транзисторов для выполнения основных вычислительных слоёв, тем самым входя в область линейной арифметики, лежащей в основе современных приложений ИИ.
Профессор Бьёрн Оммер, руководитель группы компьютерного зрения и обучения Мюнхенского университета Людвига-Максимилиана, отметил, что диффузионные модели являются широко используемым и вычислительно интенсивным методом в современном генеративном ИИ. Если фотонное оборудование сможет эффективно и надёжно выполнять такие рабочие нагрузки, это укажет на то, что альтернативные вычислительные платформы могут сыграть важную роль в будущем генеративного ИИ.
Q.ANT также выполнила модель прогнозирования временных рядов TiRex, разработанную австрийской передовой лабораторией ИИ NXAI, которая основана на расширенной архитектуре долгой краткосрочной памяти (xLSTM). Лукас Фишер, руководитель отдела прикладных исследований NXAI, заявил, что TiRex стремится к балансу между производительностью и энергопотреблением, и архитектура xLSTM на фотонных системах может переопределить понятие энергоэффективного ИИ. В отличие от моделей на основе Transformer, xLSTM является рекуррентной нейронной сетью, предназначенной для распознавания закономерностей в последовательных данных и прогнозирования будущих значений на длительных временных интервалах. Коммерциализированная модель TiRex от NXAI использует производственно-оптимизированные веса и нацелена на применение в анализе финансовых рынков, оптимизации цепочек поставок, прогнозировании погоды и моделировании транспортных потоков.
С помощью демонстрации xLSTM и диффузионных моделей Q.ANT показала, что её оборудование способно выполнять наиболее требовательные категории современного ИИ и создано для широкого спектра сценариев использования ИИ.
Демонстрация на ISC является последним достижением Q.ANT в серии сторонних интеграций, коммерческих партнёрств и институциональных развёртываний. В мае Q.ANT получила первые коммерческие заказы через партнёрство с немецким облачным провайдером IONOS. В апреле партнёр Daisytuner объявил о разработке компилятора с использованием стандартного инструментария ИИ для приложений обнаружения объектов в реальном времени. Европейские высокопроизводительные вычислительные центры, такие как Лейбниц-центр суперкомпьютеров в Мюнхене и Юлихский суперкомпьютерный центр, уже используют оборудование Q.ANT в производственных условиях.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
