Photonischer KI-Beschleuniger für energieeffizientes High Performance Computing und Echtzeit-KI-Anwendungen im Industriestandard als 19-Zoll-Rack-Server
Der Q.ANT Native Processing Server (NPS) ist der erste kommerziell erhältliche photonische Prozessor und leitet eine neue Ära für energieeffiziente und beschleunigte KI- und HPC-Workloads ein. Durch die Berechnung komplexer mathematischer Funktionen mittels natürlicher Eigenschaften des Lichts erzielen wir eine erhebliche Leistungssteigerung und Energieeffizienz ohne digitale Umwege und kommunizieren dabei nahtlos mit der existierenden Computing-Infrastruktur. Wir nennen das Native Computing.
Da die Anforderungen an Wärmeableitung und Kühlung auf dem Chip entfallen, eröffnet die Technologie von Q.ANT eine neue Generation leistungsstarker und energieeffizienter Server-Rack-Lösungen mit:
Nutze die exklusive Gelegenheit, Q.ANT’s ersten kommerziellen photonischen KI Beschleuniger zu erleben, der neue Maßstäbe in Energieeffizienz und Rechengeschwindigkeit setzen wird. Teste ihn, fordere ihn heraus und sieh selbst, was möglich ist, wenn KI-Berechnungen nativ mit Licht erfolgen. Erhalte direkten Zugang zu einer völlig neuen Art des Rechnens und definiere die Möglichkeiten der Datenverarbeitung neu.
Der Native Processing Server (NPS) ist ein 19″-Rack-Server mit einem photonischen NPU Prozessor als PCIe Karte und wurde speziell für KI-Inferenz und komplexe Berechnungen entwickelt. Ein Plug & Play Systemdesign ermöglicht die einfache Integration in Rechenzentren und HPC-Umgebungen für einen sofortigen Zugang zu photonischem Computing. Der NPS ist mit zusätzlichen NPU-Prozessorkarten aufrüstbar für eine höhere Rechenleistung.
| System / Teilsystem | Merkmal |
| System node | x86 processor architecture; 19” 4U commercially available rack system |
| Betriebssystem | Linux Debian/Ubuntu mit Langzeit-Support |
| Netzwerkschnittstelle | Ethernet mit bis zu 10 Gbit Geschwindigkeit |
| Software interface | C / C++ and Python API |
| API zum Subsystem | Q.ANT Toolkit (SDK) |
| Native Processing Unit NPU |
|
| Energieverbauch | 45 W |
| Photonischer integrierter Schaltkreis (PIC) | Ultraschneller photonischer Kern auf der Basis von Lithiumniobat auf Isolator (LNoI) im Z-Schnitt |
| Leistungsbereich der NPU | 100 MOps |
| Kühlung der NPU | Passiv |
| Betriebstemperaturbereich | 15 bis 35°C |
Jeder Meilenstein bringt uns der Ausschöpfung des vollen Potentials von Photonic Computing näher: eine drastisch schnellere Leistung bei einem Bruchteil des Energieverbrauchs.
Rechengeschwindigkeit
Unsere photonischen Prozessoren berechnen mathematische Funktionen nativ mit Licht. Dadurch wird eine beispiellose Rechengeschwindigkeit möglich, die voraussichtlich von 0,1 GOps im Jahr 2025 auf 100.000 GOps bis 2028 steigt – eine millionenfache Steigerung innerhalb von fünf Jahren.
Betriebsgeschwindigkeit in GOps
Energieeffizienz
Anders als Transistoren erzeugen photonische Prozessoren keine Wärme auf dem Chip und benötigen weniger Komponenten und Parameter, um komplexe Aufgaben zu lösen. Dadurch verbrauchen sie bei KI-Workloads bis zu 30-mal weniger Energie als herkömmliche CMOS-Hardware – und reduzieren somit den Strombedarf und den Aufwand für Kühlung.
Energieverbrauch in fJ
Wir bieten Zugang zum Gartner® Hype Cycle™ for Data Center Infrastructure Technologies 2025. Erfahre, wie Photonic Computing Energieeffizienz in Rechenzentren in einer Zukunft wachsender KI und HPC ermöglicht.
Als analoges Rechenwerk ermöglicht die NPU die Lösung komplexer, nicht-linearer mathematischer Funktionen, deren Berechnung auf herkömmlichen Prozessoren zu energieaufwändig wäre. Erste Anwendungen liegen im Bereich KI-Inferenz und KI-Training und ebnen den Weg für effizientes und nachhaltiges KI-Computing. Programmiere die Q.ANT NPU mit unserem maßgeschneiderten Software Development Kit, dem Q.ANT Toolkit. Das Toolkit ermöglicht, KI-Modelle für die photonische Datenverarbeitung zu erstellen, zu testen und zu optimieren. Es ermöglicht Entwickler*innen eine direkte Kontrolle auf Chip-Ebene, optimierte neuronale Netz-Operationen (z. B. Fully-Connected- und Convolutional-Layer) sowie Referenzanwendungen, die die Entwicklung beschleunigen oder als Basis für maßgeschneiderte Implementierungen dienen.
| Anwendung | Ausführung | Programmiersprache |
| Matrix Multiplikation | Multiplikation einer Matrix und eines Vektors | Python / C++ |
| Bilderkennung | Klassifizierung eines Bildes (z. B. basierend auf dem ImageNet Datensatz) | Python (Jupyter) |
| Semantische Segmentierung | Segmentierung eines Bildes (z.B. basierend auf einem Datensatz aus Gehirn-MRT-Scans) | Python (Jupyter) |
| Attention basierte KI Modelle(coming soon) | z. B. Spracherkennung | Python (Jupyter) |
U-Net zur Identifizierung von Krebsregionen in MRT-Scans des menschlichen Gehirns ausgeführt auf einer Native Processing Unit (NPU)
Der Native Verarbeitungs Server von Q.ANT führt anspruchsvolle KI-Workloads – wie Bilderkennung und Bildsegmentierung – direkt im Licht aus. Bei der Ausführung von beispielsweise ResNet zur Objekterkennung oder U-Net zur Analyse von Krebsregionen in MRT-Scans liefert das System Milliarden von Operationen mit einer Konsistenz von 99 % zur digitalen Berechnung. Das Ergebnis: Der Beweis, dass die photonische analoge Verarbeitung für die reale KI bereit ist.
Photonisches Computing ermöglicht die schnellere Ausführung von Matrixoperationen und nichtlinearen Funktionen direkt auf der Hardware. Das reduziert die Latenz und erlaubt effizientere Modellarchitekturen mit weniger Parametern. Das Ergebnis: ein höherer Durchsatz und ein geringerer Energieverbrauch – sowohl beim Training großskaliger Modelle als auch bei Inferenzen in Echtzeit.
Viele Aufgaben in der Bildverarbeitung sind mathematisch geprägt und basieren auf Transformationen wie Fourier- oder Faltungsoperationen. Mit photonischen Prozessoren lassen sich diese Operationen optisch, parallel und mit Lichtgeschwindigkeit ausführen. Das steigert die Bildraten erheblich und senkt zugleich den Energieverbrauch.
Wissenschaftliche Simulationen beruhen oft auf der Lösung komplexer partieller Differentialgleichungen und großskaliger Matrixsysteme. Photonische Hardware bietet dafür eine leistungsstarke Plattform, da sie latenzarmes Computing mit einer hohen Bandbreite ermöglicht, das mit der Problemkomplexität skaliert – und so physikalische Phänomene schneller und effizienter simuliert.
Thin Film Lithium-Niobat – Das ideale Material für die Steuerung von Licht. Q.ANT setzt auf diese eigene Technologieplattform für photonische Chips und photonische integrierte Schaltkreise – PICs. Die zentralen Komponenten der PICs sind optische Wellenleiter, Modulatoren und verschiedene andere Bausteine, alles integriert in einem einzigen Chip, die die Steuerung von Licht in hochintegrierter Form ermöglichen.
Sehr dünne Schichten aus Lithium Niobat werden auf Silizium aufgebracht und dann zu Lichtwellenleitern strukturiert. Thin Film Lithium Niobat on Insulator – TFLNoI – ist der Schlüssel zu photonischem Computing.
PICs auf Basis von TFLNoI bilden die Grundlage für skalierbares, effizientes photonisches Computing und bieten einzigartige Vorteile:
SVP Native Computing
Ich freue mich darauf, mit Ihnen über die Möglichkeiten des Photonischen Computings zu diskutieren.
