Greife über die Q.ANT Photonic Algorithms Library (Q.PAL), C/C++- und Python-APIs sowie Frameworks wie PyTorch auf den NPS zu.
Die Software von Q.ANT macht aus Photonic Computing echte Anwendungen. Auf einer Plattform, die mit Licht rechnet, laufen komplexe mathematische Modelle mit außergewöhnlicher Leistung. Von KI-Training und KI-Inferenz über maschinelles Lernen bis zu Physiksimulationen und Zeitreihenanalysen. Die Q.ANT Photonic Algorithms Library (Q.PAL) ist deine Schnittstelle zur NPU. Mit einer umfangreichen Sammlung an Beispielanwendungen als Grundlage. Weil photonische Prozessoren die natürliche Wahl für große nichtlineare Netze sind, brauchen deine Modelle weniger Parameter und erreichen höhere Genauigkeit pro Trainingsbudget.
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.
# parameters: ~20k
# operations: ~670m
# parameters: ~10k
# operations: ~250m
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.
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.
VP Software
Ich freue mich darauf, mit dir zu besprechen, wie Photonic Computing in deinen Software-Stack passt.
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