Международная команда разрабатывает аппаратную архитектуру FPGA для декодирования квантовых LDPC-кодов в реальном времени
2026-06-25 14:00
В избр.

Репортаж от Wedoany,Исследователи из IMDEA Software Institute, Nokia Bell Labs, Мадридского университета Комплутенсе, Университета Аалто и Quobly разработали аппаратную архитектуру на базе FPGA для декодирования квантовых LDPC-кодов в реальном времени. Данная разработка, опубликованная на ArXiv, управляет массивами коррелированных ошибок с помощью структурного размещения, оптимизируя задержку, физическую площадь и энергопотребление, решая проблему узкого места классической вычислительной обработки, препятствующей физическому масштабированию квантовых корректирующих слоёв. Архитектура использует целенаправленный цикл повторного использования ресурсов вместо неограниченного аппаратного распараллеливания для обработки сложных зависимостей синдромов нескольких кубитов.

Внутренняя компоновка декодера напрямую отображается на специализированную структуру графового усиления и переподключения (GARI). Стандартные процедуры декодирования обычно обрабатывают пространственные координаты ошибок X и Z независимо, что снижает точность отслеживания, когда параметры фазы и битового флипа связываются через комбинированные Y-неисправности. Преобразование GARI изменяет базовую матрицу модели детектора ошибок, разделяя коррелированные переменные и устраняя короткие 4-циклы, связанные с Y-ошибками, заменяя запутанный граф структурированными зависимостями координат U и V. Такая алгебраическая реконструкция позволяет аппаратуре распределять задачу совместного декодирования по развязанным путям выполнения, подавляя вредные корреляции сообщений при поддержании итеративного обмена информацией между областями ошибок.

Для выполнения реконструированной матрицы архитектура разделяет задачи обработки на ядро распространения доверия (BP) и модуль параллелизованного отслеживания. Основные матрицы DX и DZ маршрутизируются через BP-блок на основе памяти с последовательным планированием, который последовательно обновляет вычислительные параметры в соответствии с правилом нормализованного минимума-суммы. Независимые проверочные структуры матриц U и V распараллеливаются в отдельных аппаратных плитках, обрабатывая интервалы синхронно с последовательным ядром. Модульное кросс-соединение использует этапы двоичной сортировки по основанию в качестве конвейерного маршрутизатора N-к-N, обходя явную логику классического контроллера и предотвращая перегрузку маршрутизации и остановки шины данных.

Аппаратная реализация была оценена на FPGA AMD VCU19P и отображена на структуру FPGA VU29P для декодирования [[144,12,12]] бициклического кода в окне из 12 последовательных раундов измерения синдрома. Архитектура применяет числовые ограничения квантования, ограничивая входные логарифмические отношения правдоподобия (LLR) до 6 бит, сообщения проверочных узлов до 8 бит, а значения переменных узлов до 10 бит, аппроксимируя числовую точность классической модели отслеживания с плавающей запятой. Работая на частоте около 274 МГц через порты AXI-Stream, конвейерное выполнение цикла обеспечивает среднюю задержку декодирования 596 наносекунд на раунд, удовлетворяя ограничениям декодирования в реальном времени при аппаратно-реалистичных распределениях коррелированного шума.

Одно ядро занимает ограниченную площадь, включая 7,5% от общего числа логических таблиц поиска (LUT), 3,5% регистров и 26% внутренних элементов блочной памяти (BRAM), с возможностью частичного отображения на блоки URAM для снижения нагрузки на память. Такая эффективность использования ресурсов позволяет одновременно запускать конфигурацию из трёх декодеров на одной плате FPGA VCU19P. Полная комбинация из 24 параллельных декодеров может быть развёрнута на восьми физических аппаратных устройствах, а не на 48 платах, которые потребовались бы для полностью распараллеленной альтернативной архитектуры.

Подробное распределение кремниевых ресурсов, вывод преобразования матриц и эталонные значения задержки маршрутизации можно найти в полной препринтной версии, доступной на arXiv.

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

Связанные продукты
Связанные рекомендации
Департамент науки и технологий Министерства промышленности и информатизации Китая опубликовал список типовых случаев применения искусственного интеллекта на 2025 год
2026-06-25
Китайская компания Haiguang и Университет Тунцзи запускают инженерную интеллектуальную вычислительную платформу на тысячах карт
2026-06-25
Китайский рейтинг единорогов Hurun 2026: ИИ-компании заняли первые три места
2026-06-25
Южнокорейская Samsung Electronics аннулировала официальный аккаунт в WeChat, ранее объявив о выходе с материкового рынка Китая
2026-06-25
Китайская компания C-Zhenbao начала массовые поставки полупроводниковых компонентов компании SK Hynix
2026-06-25
Японская компания Hitachi Construction Machinery протестирует спутниковое подключение Amazon Leo
2026-06-25
Гуандун (Китай) поддерживает Гуанчжоу в создании глобального кластера интерфейсов «мозг-компьютер»
2026-06-25
Китайская платформа вычислительных мощностей (Гуйчжоу) запущена и подключена к национальной платформе
2026-06-25
Китайский Ali Meoo CLI появился в магазине плагинов Qoder
2026-06-25
Amazon (США) увеличивает инвестиции в облачную инфраструктуру ИИ в Индии на 13 миллиардов долларов
2026-06-25
Последние новости
1
G7 и Латинская Америка сотрудничают для диверсификации цепочек поставок критически важных полезных ископаемых
2
Турецкая компания Saritas и ANDRITZ подписали контракт на линию холодной прокатки мощностью 800 тыс. тонн, запуск в 2028 году
3
Компания Valmet представила сушильные сетки Bioneer с возможностью снижения углеродного следа почти на 30%
4
Hitachi Construction Machinery и Fukudome Kaihatsu проводят в Японии экспериментальные испытания дистанционного строительства
5
Американская компания Caterpillar опубликовала отчет за 2025 год, объем продаж достиг рекордных 67,6 млрд долларов США
6
General Motors вложил $150 млн в разработку Cadillac XT5 2027 модельного года
7
Самостоятельно разработанный погрузчик TZ955 компании Taiyuan Heavy Industry Group (TZ) успешно сошел с конвейера
8
Caterpillar совместно с китайскими дилерами модернизирует сервисные обязательства, вводя компенсацию за задержки
9
Американская компания Amaero завершила наладку атомайзеров, годовая мощность по производству тугоплавких сплавов и титановых сплавов достигла 200 и 480 тонн соответственно
10
Первый в мире глобальный технический регламент для автоматизированных систем вождения одобрен и опубликован