AMD EPYC与Instinct MI355X进入量子计算平台:IBM和橡树岭实验室探索混合计算架构

量子计算的发展,正在给传统服务器CPU和GPU带来新的任务。
2026年11月5日,AMD、IBM与美国橡树岭国家实验室(Oak Ridge National Laboratory,简称ORNL)联合公布了一项量子纠错协同设计平台。该平台将IBM量子处理器与搭载第五代AMD EPYC处理器、AMD Instinct MI355X GPU的高性能计算系统部署在同一环境中,用于研究量子计算与传统高性能计算之间的协同工作方式。
此次部署涉及IBM Quantum Nighthawk量子处理器,以及橡树岭国家实验室的Umbra高性能计算系统。双方计划利用这一环境开展量子错误解码、计算调度、算法优化及混合计算架构研究。
与普通服务器性能升级不同,这项合作关注的是一个更基础的问题:量子计算机能否真正用于复杂科学研究,很大程度上取决于传统计算系统能否及时处理量子计算过程中产生的大量数据和错误信息。
A5数据注意到,这次合作并不是简单地将GPU用于量子计算加速,而是尝试把CPU、GPU和量子处理器纳入统一的计算体系。
对于服务器和高性能计算行业而言,这也意味着未来量子计算基础设施的发展,可能持续扩大对传统服务器算力的需求。
三方联合平台落地,AMD CPU与GPU承担经典计算任务
根据IBM和AMD于11月5日发布的官方公告,新的量子纠错协同设计平台已经在IBM位于美国纽约州波基普西(Poughkeepsie)的设施中部署。
平台将IBM量子计算机与ORNL的Umbra高性能计算系统放置在相邻的计算环境中,以减少量子处理器与传统计算设备之间的数据交换延迟。
Umbra采用的主要计算硬件包括:
第五代AMD EPYC服务器处理器。
AMD Instinct MI355X GPU加速器。
面向高性能计算及量子研究的软件环境。
IBM方面则提供Quantum Nighthawk系列量子处理器,包括120量子比特的Nighthawk系统。
这里需要明确,AMD EPYC和MI355X并不是直接替代量子处理器执行量子计算。
量子处理器负责执行量子线路和量子操作,而AMD的CPU与GPU主要承担相关的经典计算任务,包括错误解码、模拟、优化以及系统协调。
这种架构通常被称为量子与经典混合计算。
与传统服务器集群不同,混合计算系统不仅需要较高的计算性能,还要求量子设备和经典计算资源之间能够进行高效的数据交换。
此次联合平台的主要价值,正是提供一个可以直接测试这些技术需求的实际环境。
为什么量子计算机仍然离不开传统服务器?
量子计算机利用量子比特执行计算,与传统CPU、GPU处理信息的方式不同。
但量子比特存在一个重要问题:容易受到噪声、环境变化和设备自身误差的影响。
在实际运行过程中,这些误差可能破坏量子信息,使计算结果偏离预期。
因此,量子纠错被视为推动量子计算走向实际应用的重要技术之一。
量子纠错的基本思路,是通过多个物理量子比特对信息进行编码,并持续检查可能出现的错误。
当量子处理器完成相关测量后,系统需要分析测量结果,判断错误可能发生在哪里,以及应该采取什么纠正措施。
这一分析过程离不开传统计算设备。
负责识别错误的经典软件通常被称为解码器(Decoder)。
随着量子比特数量增加、量子线路变得复杂,纠错需要处理的数据规模也会随之扩大。
而且,纠错不仅要求计算结果正确,还必须在规定时间内完成。
如果经典计算系统处理速度过慢,量子处理器可能已经进入下一阶段,前一次测量结果却尚未完成分析。
这就是量子纠错面临的重要挑战之一:如何在有限时间内完成越来越复杂的错误识别和处理。
从这个角度看,量子计算的性能瓶颈并不完全存在于量子芯片内部。
传统服务器的处理能力、内存性能、数据传输延迟和软件调度效率,同样可能影响整个系统的运行效果。
EPYC负责协调,MI355X承担并行计算
在此次公布的架构中,AMD EPYC与Instinct MI355X承担不同职责。
第五代EPYC处理器主要提供通用计算能力,负责协调复杂的混合计算流程。
例如,当量子处理器完成测量后,相关数据需要被传递给经典计算系统进行处理,随后还可能根据计算结果决定下一步量子操作。
这些流程涉及任务调度、数据处理和不同计算资源之间的协调。
服务器CPU在其中具有重要作用。
Instinct MI355X则主要面向并行计算任务。
根据AMD官方资料,MI355X采用第四代CDNA架构,配备288GB HBM3E显存,内存带宽达到8TB/s,面向AI与高性能计算应用设计。
对于量子纠错研究,大规模并行计算能力可以用于训练和评估错误解码器、执行量子系统模拟,以及研究不同纠错方案的计算成本。
例如,研究人员可能需要在大量模拟错误情况下测试不同算法,分析它们的准确率、处理时间和资源消耗。
这类工作通常具有较高的并行计算需求,适合利用GPU加速。
不过,MI355X具备强大的计算性能,并不意味着它已经能够直接解决所有量子纠错问题。
具体算法能否从GPU并行计算中受益,还取决于数据结构、任务规模、计算依赖关系和软件实现方式。
此次联合平台的重要任务之一,就是通过实际测试确定:哪些纠错工作适合GPU处理,哪些任务更适合CPU,以及不同设备之间应该如何分工。
AMD还提到,其Versal自适应SoC技术可用于靠近量子处理器的低延迟控制、数据读取和解码场景。
这也体现出未来量子计算基础设施可能采用多种处理器协同工作的趋势,而不仅是CPU与GPU的简单组合。
量子计算为什么特别关注低延迟?
在大型AI训练集群中,网络带宽和GPU之间的数据交换效率通常是重要的性能指标。
但量子纠错系统对延迟的要求可能更加特殊。
某些量子计算流程需要根据测量结果决定后续操作。
也就是说,量子处理器执行一部分计算后,必须等待经典计算系统分析结果,再继续执行相关步骤。
如果这一过程包含多次数据传输,整体等待时间就可能增加。
传统量子研究环境中,量子计算机与高性能计算集群可能位于不同地点,研究人员需要通过网络接口或云服务连接两套系统。
这种方式有利于远程使用,但对需要频繁交换数据、强调实时反馈的研究任务而言,可能引入额外的通信和调度开销。
IBM此次将量子处理器与Umbra高性能计算系统部署在同一地点,正是为了研究更紧密的量子与经典计算协同方式。
根据IBM的技术说明,平台还提供较深入的量子硬件控制能力。
研究人员可以在量子计算过程中执行中途测量,并根据测量结果调整后续操作。
这为量子纠错算法测试提供了更加灵活的实验条件。
需要指出的是,设备部署在同一地点,并不自动意味着所有数据交换都能达到实时纠错要求。
最终性能还取决于接口设计、数据处理流程、软件架构以及具体纠错算法。
因此,这次部署更适合被理解为一种用于研究和验证的基础设施,而不是已经完成全部技术目标的成熟商业系统。
从量子比特数量到纠错能力,行业目标正在变化
谈到量子计算机,最容易引起关注的指标通常是量子比特数量。
例如,IBM此次使用的Nighthawk处理器拥有120个物理量子比特。
但量子比特数量并不能单独说明一台量子计算机能够完成多么复杂、可靠的计算。
对于需要长时间运行的科学任务,量子纠错能力同样关键。
通过纠错编码形成的逻辑量子比特,可以提高量子信息抵抗错误的能力,但这通常需要额外的物理量子比特和经典计算资源。
IBM此次公布的资料指出,相关研究已经展示过最多70个逻辑量子比特、438次高难度操作的实验进展。
与此同时,美国能源部相关量子研究计划提出了更高目标:争取在2028年末实现100个逻辑量子比特执行10万次高难度操作。
从438次提升至10万次,操作规模需要增长约230倍。
这里必须强调,这属于未来研究目标,并不意味着当前联合平台已经具备相应能力。
它反映出量子计算研究正在从单纯追求更多物理量子比特,逐步转向关注逻辑量子比特、纠错效率和可持续执行的计算规模。
而这些目标都可能增加对经典计算资源的需求。
因此,传统服务器系统在量子计算中的作用,不只是辅助运行实验程序,还可能直接参与纠错能力和系统可扩展性的提升。
对高性能服务器市场意味着什么?
从A5数据关注的服务器硬件与IDC行业来看,这次合作有两个值得重视的方向。
首先,GPU加速器的应用场景正在继续扩大。
近年来,GPU服务器的市场关注度主要集中在大模型训练、AI推理和科学计算。
此次MI355X进入量子纠错研究平台,进一步展示了高性能GPU在新兴计算领域中的应用潜力。
对于AMD而言,这也为Instinct产品提供了AI之外的另一类高端计算应用场景。
但这并不代表量子计算会立即形成大规模GPU服务器采购需求。
现阶段,量子纠错仍属于高度专业化的研究领域,实际部署规模、硬件配置和软件需求与普通企业AI业务存在明显差异。
其次,未来高性能计算系统可能更加重视异构计算架构。
所谓异构计算,是指根据不同任务特点,组合CPU、GPU、FPGA或其他专用处理器完成工作。
这种思路在AI服务器中已经比较常见。
例如,CPU负责通用计算和调度,GPU承担大规模并行计算,高速网络负责节点间数据交换。
量子计算则在此基础上增加了量子处理器,以及对低延迟控制和实时反馈的特殊要求。
这意味着未来的部分高端计算基础设施,可能需要更复杂的软硬件协同设计。
对于服务器制造商和系统集成商而言,单独提供计算性能强大的硬件并不足够,还需要考虑设备互联、软件兼容性、工作负载调度以及整体系统可靠性。
不过,我们也需要区分研究基础设施与普通IDC业务。
目前,量子计算的运行环境、维护要求和软件生态与常规物理服务器差异较大。
普通IDC服务商没有必要因为这一消息就提前采购量子计算相关设备。
现阶段更值得关注的,是EPYC、Instinct GPU及ROCm软件生态在异构计算中的发展,以及这些技术如何逐渐拓展到新的科学计算场景。
从独立计算设备走向协同系统,仍有不少难题
此次联合平台还有一个值得关注的后续规划。
根据官方披露,研究团队计划将该平台与橡树岭领导级计算设施(Oak Ridge Leadership Computing Facility,OLCF)连接,以进一步探索量子计算、AI和传统高性能计算之间的协同。
ORNL还在建设其他采用AMD处理器和GPU技术的高性能计算基础设施。
未来,这些系统有望形成更加广泛的研究环境,为复杂科学任务提供不同类型的计算资源。
但目前披露的内容并未给出该联合平台已经实现大规模量子纠错加速的具体性能数据,也没有证明它已经具备通用、容错量子计算能力。
尚待验证的问题包括:
经典计算系统能否满足未来更大规模量子纠错的实时处理需求。
GPU并行计算能在多大程度上降低错误解码成本。
量子处理器与高性能计算集群之间如何实现稳定、低延迟的数据交换。
不同硬件和软件组件如何共同扩展,同时控制能耗与系统复杂度。
这些问题决定了混合计算架构能否真正从研究平台发展为可扩展的计算系统。
IBM计划在2029年推进Quantum Starling容错量子计算机,而此次联合平台的研究成果可能为相关系统设计提供参考。
但未来产品计划与当前已经验证的技术成果,需要严格区分。
量子计算的下一步,也离不开传统算力进步
AMD EPYC和Instinct MI355X进入量子纠错平台,说明量子计算的发展并不是要让传统计算设备退出历史舞台。
恰恰相反,量子处理器越复杂,围绕它运行的经典计算系统可能就越重要。
从错误解码到任务调度,从量子模拟到实时反馈,传统CPU与GPU仍有大量工作需要承担。
这次AMD、IBM与橡树岭国家实验室的合作,最值得关注的并非使用了多么先进的单一处理器,而是三方开始围绕真实量子设备,共同研究整套计算系统应该如何设计。
对服务器行业而言,这种变化延续了高性能计算发展的一个趋势:计算能力的提升,越来越依赖不同处理器、网络及软件之间的协同,而不仅是单个芯片性能的增长。
量子计算距离广泛商业化应用仍有不少障碍,但它所需要的经典计算基础设施,已经开始进入实际部署和验证阶段。
未来量子计算能走多远,不仅取决于量子芯片本身,也取决于支撑它运行的传统计算系统能否跟上发展速度。
本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/7965.html



