De acordo com pt.wedoany.com-A empresa de computação fotônica Q.ANT demonstrou com sucesso modelos de difusão e redes neurais recorrentes em sua segunda geração de unidades de processamento nativas durante a conferência ISC High Performance 2026, em Hamburgo, provando que sua arquitetura fotônica pode suportar cargas de trabalho modernas de IA, incluindo síntese generativa de imagens e previsão de sequências temporais.
Esta demonstração da Q.ANT baseia-se em avanços contínuos no ecossistema. Anteriormente, o desenvolvedor independente Daisytuner conseguiu compilar um modelo de detecção de objetos do PyTorch e implantá-lo no processador fotônico da Q.ANT, marcando a primeira vez que um modelo de IA de um framework padrão de aprendizado de máquina foi compilado com sucesso em hardware fotônico.
A Q.ANT afirma que seu sistema de processamento nativo fotônico evoluiu da fase de algoritmos básicos para aplicações comerciais. No nível do circuito fotônico, o hardware da Q.ANT visa uma eficiência energética 30 vezes maior que a dos processadores tradicionais ao executar operações matriciais equivalentes.
O Dr. Michael Förtsch, fundador e CEO da Q.ANT, destacou que a arquitetura fotônica muda a forma como a infraestrutura de IA calcula o consumo de energia, reduzindo o gasto energético na fonte ao usar luz em vez de transistores para realizar operações, um gargalo que a indústria de IA precisa superar. Ele enfatizou que a recente demonstração de IA generativa mostra que o hardware fotônico pode suportar a carga matemática das cargas de trabalho modernas mais exigentes de IA.
Para demonstrar as capacidades de IA generativa, o hardware da Q.ANT executou um modelo de difusão para síntese de imagem a imagem, uma carga de trabalho definida por operações matriciais iterativas e paralelizadas. A Q.ANT afirma que esta é a primeira vez que um modelo de difusão dessa complexidade é executado em hardware fotônico. Modelos de difusão geram imagens por meio de propagação direta repetida em operações densas de matriz em redes neurais profundas. O processador fotônico da Q.ANT usa luz em vez de transistores para executar as camadas computacionais principais, adentrando o domínio da aritmética linear central das aplicações modernas de IA.
O Professor Björn Ommer, chefe do Grupo de Visão Computacional e Aprendizado da Universidade Ludwig-Maximilian de Munique, afirmou que modelos de difusão são métodos amplamente utilizados e computacionalmente intensivos na IA generativa moderna. Se o hardware fotônico puder executar tais cargas de trabalho de forma eficiente e confiável, isso indica que substratos computacionais alternativos podem desempenhar um papel importante no futuro da IA generativa.
A Q.ANT também executou o modelo de previsão temporal TiRex, desenvolvido pelo laboratório austríaco de IA de ponta NXAI, baseado na arquitetura de memória de longo prazo estendida (xLSTM). Lukas Fischer, chefe de Pesquisa Aplicada da NXAI, disse que o TiRex busca equilibrar desempenho e consumo de energia, e que a arquitetura xLSTM em sistemas fotônicos pode redefinir o significado de IA energeticamente eficiente. Diferente de modelos baseados em Transformer, o xLSTM é uma rede neural recorrente usada para identificar padrões em dados sequenciais e prever valores futuros em longos intervalos de tempo. O modelo TiRex comercializado pela NXAI utiliza pesos ajustados para produção, visando aplicações como análise de mercados financeiros, otimização de cadeias de suprimentos, previsão do tempo e simulação de fluxo de tráfego.
Com as demonstrações do xLSTM e do modelo de difusão, a Q.ANT mostra que seu hardware pode executar as categorias mais exigentes da IA moderna e é construído para uma ampla gama de casos de uso de IA.
A demonstração no ISC é o resultado mais recente de uma série de integrações de terceiros, parcerias comerciais e implantações institucionais da Q.ANT. Em maio, a Q.ANT obteve seus primeiros pedidos comerciais por meio de uma parceria com o provedor de serviços em nuvem alemão IONOS. Em abril, o parceiro Daisytuner anunciou o desenvolvimento de um compilador usando ferramentas padrão de IA para aplicações de detecção de objetos em tempo real. Instalações europeias de computação de alto desempenho, como o Centro de Supercomputação Leibniz em Munique e o Centro de Supercomputação Jülich, estão executando hardware da Q.ANT em produção no local.
Este texto foi elaborado por Wedoany. Qualquer citação por IA deve indicar a fonte “Wedoany”. Em caso de infração ou outros problemas, informe-nos prontamente, por favor. O conteúdo será corrigido ou removido. E-mail: news@wedoany.com
