Auf der Supercomputing 2025 in St. Louis zeigt Q.ANT am Leibniz-Rechenzentrum-Stand eine Live-Demonstration der NPU 2. Mit der Photonic Algorithm Library Q.PAL bearbeiten sie eine bildbasierte KI-Lernaufgabe und demonstrieren, wie weniger Modellparameter und reduzierte Rechenoperationen präzisere Ergebnisse liefern als herkömmliche CPU-Systeme. Besucher können die photonische Beschleunigung direkt erleben und erhalten Einblick in die Integration über PCIe sowie C/C++- und Python-Schnittstellen. Die Demo zeigt praxisnah den Nutzen optischer Beschleunigung fürs Hochleistungsrechnen und zukünftige Anforderungen.
Inhaltsverzeichnis: Das erwartet Sie im Artikel
Photonische Hardware revolutioniert KI- und HPC-Berechnungen mit hoher Effizienz
Die schlüsselfertige NPU 2 von Q.ANT (Bild links) (Foto: Q.ant GmbH)
Q.ANT hat mit der NPU 2 eine photonische Beschleunigung für nichtlineare mathematische Operationen entwickelt, die direkt im optischen Bereich ablaufen und signifikant weniger Energie benötigen. Lichtpulse ersetzen Tausende Transistoren und führen komplexe Berechnungen in einem Schritt aus. Das Ergebnis ist eine bis zu 30-fache Senkung des Strombedarfs, eine 50-fache Leistungssteigerung und die Integration in physikalische KI, fortschrittliche Robotik, hochauflösende Computer Vision, realistische Simulationen und automatisierte Mustererkennung in verschiedensten Industriezweigen.
C/C++/Python-APIs ermöglichen schnelle Integration von Q.ANT NPS in Infrastruktur
Im 19-Zoll-Native Processing Server NPS liefert Q.ANT die NPU 2 mit mehreren photonischen Recheneinheiten, einem x86-Host und Linux aus. Standardisierte PCIe-Schnittstellen sowie C/C++- und Python-APIs ermöglichen die direkte Einbindung in etablierte CPU- und GPU-Cluster. Durch diese nahtlose Integration erhalten Anwender sofortigen Zugriff auf photonisch beschleunigte KI- und HPC-Funktionen, ohne ihre bestehende Hardwareinfrastruktur zu verändern.
Photonische Rechenplattformen verwenden Lichtpulse, um Vektor- und Matrixoperationen in einem einzigen optischen Schritt zu realisieren. Dadurch verringert sich der Energiebedarf um das Dreißigfache und die Ausführungszeiten verkürzen sich um den Faktor Fünfzig. Die Eliminierung zahlreicher Transistorstufen ermöglicht kompakte Bauformen ohne aufwendiges Wärmemanagement. Dies bringt wesentliche Vorteile für KI-Training, Deep Learning und simulationsintensive Workloads, da Betriebskosten gesenkt, CO2-Emissionen reduziert und die Skalierbarkeit moderner Rechenzentren messbar deutlich verbessert werden innerhalb kürzester Einsatzdauer.
Die schlüsselfertige NPU 2 von Q.ANT (Bild links) (Foto: Q.ant GmbH)
Lichtbasierte Recheneinheiten eliminieren die typische Wärmeabfuhr von CMOS-Prozessoren und machen komplexe Kühlinfrastrukturen überflüssig. In einem einzelnen optischen Schritt können nichtlineare Funktionen realisiert werden, für die herkömmliche Siliziumlösungen Tausende von Transistoren erfordern würden. Dank dieser Photonik-Technologie erzielt Q.ANT in seiner NPU eine bis zu 30-mal niedrigere Leistungsaufnahme und eine um das Fünfzigfache erhöhte Verarbeitungsgeschwindigkeit bei rechenintensiven KI- und HPC-Workloads und macht diese Technologie Schlüssel für nachhaltige und kosteneffiziente KI- und HPC-Infrastrukturen.
Live-Demo in St. Louis zeigt Q.PAL-KI mit reduzierten Rechenoperationen
Auf der Supercomputing Show 2025 (17.-21. November) in St. Louis präsentiert Q.ANT am Forschungsstandort des Leibniz-Rechenzentrums Nr. 535 eine interaktive, bildbasierte KI-Lernaufgabe. Die Demonstration nutzt die Photonic Algorithm Library Q.PAL, um komplexe mathematische Operationen im optischen Bereich zu realisieren, wodurch der Parameterbedarf und die Rechenkomplexität deutlich reduziert werden. Besucher sehen in der Live-Session, wie photonische Beschleuniger klassische CPU-Systeme in Genauigkeit, Effizienz und Performance übertreffen. Außerdem werden praktische Implementierungsbeispiele anschaulich gezeigt.
Optimierte analoge Kerne steigern Effizienz bei nichtlinearen Netzwerkberechnungen signifikant
Die zweite Generation integriert verbesserte analoge Signalprozessoren, explizit optimiert für nichtlineare Netzstrukturen und physikbasierte Modelle. Dies führt zu einer signifikanten Reduktion der benötigten Parameterzahl und zu kürzeren Trainingsphasen. Zusätzlich erhöhen sich die Präzision visueller Lernverfahren und die Stabilität bei Klassifikationsaufgaben sowie komplexen Simulationen. Nutzer profitieren von optimierten Durchsatzraten, niedrigerem Ressourcenverbrauch und einer insgesamt gesteigerten Rechenleistung bei gleichzeitig geringeren Betriebskosten in KI- und HPC-Umgebungen. Das Resultat ist eine nachhaltige erhöhte Wirtschaftlichkeit.
Dank des 19-Zoll-Formfaktors kann der Native Processing Server in jede standardisierte Rack-Infrastruktur eingebaut werden. Das System vereint mehrere photonische NPU-Module mit einem leistungsstarken x86-Host und einem Linux-Betriebssystem. Über PCIe- und API-Schnittstellen (C/C++, Python) erfolgt die nahtlose Einbindung in High-Performance-Computing-Umgebungen. Eine zentralisierte Software-Suite unterstützt Installation, Monitoring und Automatisierung von Workloads, wodurch sich Entwicklungszyklen verkürzen und der Betrieb vereinfacht. Ein integriertes Webinterface und CLI-Tools sorgen für effizientes Management und schnelle Problemdiagnosen.
Der Native Processing Server NPS ist eine sofort einsatzbereite 19-Zoll-Rack-Engine mit mehreren Generation-2-NPUs, die über PCIe an den Host angebunden werden. Mit C/C++- und Python-Schnittstellen ermöglicht er eine flexible Integration in bestehende Software-Stacks. Durch native photonische Verarbeitung werden komplexe Berechnungen direkt im Optischen durchgeführt, was hohe Rechenleistung bei geringem Energiebedarf liefert. Die Plug-in-Lösung lässt sich in konventionelle HPC-Infrastrukturen einbinden und optimiert Auslastung sowie Durchsatz signifikant. Außerdem reduziert sie Systemkomplexität nachhaltig.
Nonlineare neuronale Netze auf Photonik-Plattform laufen jetzt deutlich ressourceneffizienter
Mit photonischen Prozessoren lassen sich komplexe, nichtlineare neuronale Netze in Fertigung, Logistik und visueller Inspektion wesentlich leistungsfähiger betreiben. Bildbasierte KI scannt Produktoberflächen hochauflösend, erkennt Mikrorsionen und Materialfehler in Echtzeit, verfolgt Bauteile automatisiert und passt Wareneingangslager dynamisch an. Der drastisch geringere Parameteraufwand reduziert Energiebedarf und Kosten signifikant, wodurch bislang unpraktikable Computer-Vision-Prozesse wirtschaftlich interessant werden. Zusätzlich kombinieren hybride Modelle statistische Logik mit physikalischer Simulation für richtungsweisende Anwendungen in Pharma-, Material- und Automobilindustrie.
Sofort bestellbar: Q.ANT NPU2-Server für KI und HPC-Workloads liefern
Ab sofort können Unternehmen die NPU-2-Racklösung von Q.ANT ordern, die ab Anfang 2026 ausgeliefert wird. Die als 19-Zoll-Server konzipierte Plattform verbindet x86-Host und Linux mit photonischer Hardware zur nativen Lichtverarbeitung. Integration in bestehende Rechenzentren gelingt via PCIe-Anschluss und offenen C/C++/Python-APIs. Entwickler profitieren sofort von hochparalleler, energieeffizienter Beschleunigung für KI- und HPC-Aufgaben ohne aufwändiges Kalibrierungstuning. Die modulare Bauweise vereinfacht Skalierung, Wartung und Erweiterbarkeit. Sie bietet branchenübliche Sicherheit, Remote-Verwaltung und automatisierte Updates.
Photonische Algorithmenbibliothek Q.PAL optimiert Modelle mit weniger Parametern effizienter
Die zweite NPU-Generation von Q.ANT repräsentiert einen grundlegenden Wandel im High-Performance-Computing: photonische Hardware führt native nichtlineare Rechenoperationen direkt mit Licht durch und ersetzt tausende Transistoren in einem optischen Schritt. Das Ergebnis ist ein drastisch niedrigerer Energieverbrauch bei wesentlich höherer Leistung. Der 19-Zoll-Native Processing Server NPS integriert x86-Host, Linux und Q.PAL-API, um KI- und HPC-Innovationen zu beschleunigen und Praxisreife durch Live-Demonstration auf der Supercomputing 2025 zu belegen. Er bietet Zukunftsperspektiven für Anwendungen.
