Photonischer KI-Beschleuniger für energieeffizientes High Performance Computing und Echtzeit-KI-Anwendungen im Industriestandard als 19-Zoll-Rack-Server
Wir stellen die zweite Generation unseres photonischen Prozessors für die KI und HPC der Zukunft vor. Die NPU Gen 2 ermöglicht:
Photonisches Computing ebnet den Weg für eine bis zu 30-fach höhere Energieeffizienz und 50-fach schnellere Rechenleistung, eine bisher unerreichte Rechendichte sowie eine erhebliche Reduzierung der Betriebskosten für Rechenzentren.
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. Native Computing von Q.ANT verspricht:
Photonisches Computing ist Realität: Das Leibniz-Rechenzentrum (LRZ) und das Jülich Supercomputing Centre (JSC) – zwei der führenden HPC-Rechenzentren Europas – integrieren Q.ANTs NPS in ihre operative HPC-Umgebung. Diese ersten Implementierungen stellen einen bedeutenden Schritt dar hin zu einer Neudefinition von Leistung, Rechendichte und Energieeffizienz in Rechenzentren.
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 Prozessorarchitektur; 19” 4U kommerziell verfügbares Server-System |
| Betriebssystem | Linux Debian/Ubuntu mit Langzeit-Support |
| Netzwerkschnittstelle | 2× 10-Gbit-Ethernet, 1× 1-Gbit-Service-Schnittstelle |
| Software interface | C / C++ and Python API |
| API zum Subsystem | Linux-Treiber |
| Native Processing Unit NPU |
|
| Energieverbauch | 150 W |
| Photonischer integrierter Schaltkreis (PIC) | Ultraschneller photonischer Kern auf der Basis von Lithiumniobat im Z-Schnitt |
| Leistungsbereich der NPU | 8 GOPS |
| 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.
Die Q.ANT Photonic Algorithms Library Q.PAL ist die Software-Schnittstelle zum NPS und ermöglicht es Anwenderinnen und Anwendern, entweder direkt auf der Multiplikationsebene zu arbeiten oder optimierte Operationen von neuronalen Netzwerken (z.B. Fully Connected Layers oder Convolutional Layers) zu nutzen. Q.PAL bietet eine Sammlung von Beispielanwendungen, die zeigen, wie KI-Anwendungen mit photonischem Computing verbessert werden können. Diese Beispiele lassen sich entweder direkt einsetzen oder als Grundlage für die Erstellung eigener Implementierungen verwenden.
| 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) |
| Complex Line Fitting | Fitting einer Hochfrequenzlinie mit einem nichtlinearen Netzwerk (z. B. auf Basis von simulierten Trainingsdaten) | Python (Jupyter) |
Native Computing von Q.ANT lässt sich nahtlos in die bestehende Rechenlandschaft integrieren. Die Native Processing Unit, das Herzstück des NPS, bietet eine PCIe-Schnittstelle in einem standardmäßigen 19“-Server und macht das System plug-and-play. Auf die NPU kann über eine Software-Schnittstelle mit C/C++ und Python-APIs zugegriffen werden. Sie lässt sich in Zukunft in gängige KI-Frameworks wie PyTorch einbinden. Q.ANT unterstützt Kunden bei der Erstellung individueller Anwendungen und stellt dafür die Q.ANT Photonic Algorithms Library sowie Schulungsressourcen bereit.
Der Native Processing Server von Q.ANT führt anspruchsvolle KI-Berechnungen direkt in der optischen Domäne aus. Während CMOS-Prozessoren besonders bei linearen, sequentiellen Berechnungen überzeugen, sind photonische Prozessoren die geeignete Hardware für komplexe nichtlineare Netzwerke. Nichtlineare Algorithmen reduzieren die benötigte Anzahl an Modellparametern und ermöglichen eine höhere Genauigkeit pro Parameter und Trainingseinheit. In photonischen Prozessoren führt ein einziges optisches Element eine nichtlineare Operation aus, während ein CMOS-Prozessor 100 bis 1000 Transistoren und mehrere Rechenzyklen benötigt.
Dieses Beispiel zeigt: Ein Netzwerk mit lernbaren nichtlinearen Funktionen auf Q.ANTs NPS rekonstruiert komplexe Bildmuster präziser als ein lineares Netzwerk auf einer CPU – bei halb so vielen Parametern und mit nur einem Drittel der Rechenoperationen.
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.
Sie müssen den Inhalt von reCAPTCHA laden, um das Formular abzuschicken. Bitte beachten Sie, dass dabei Daten mit Drittanbietern ausgetauscht werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von Turnstile. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von Vimeo. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenSie müssen den Inhalt von reCAPTCHA laden, um das Formular abzuschicken. Bitte beachten Sie, dass dabei Daten mit Drittanbietern ausgetauscht werden.
Mehr Informationen
