Q.ANT demonstriert Generative KI und xLSTM auf photonischer Hardware

Дата публикации: 06-07-2026 08:30:00

Q.ANT vollzieht den Schritt vom Labor in die produktionsrelevante Anwendung. Das Unternehmen demonstriert, wie seine photonische Native Processing Unit (NPU) der zweiten Generation mit komplexen KI-Workloads wie Diffusionsmodellen und rekurrenten Netzen (xLSTM) zurechtkommt.

Основное содержимое страницы с новостью.

Rechnen mit Licht Q.ANT demonstriert Generative KI und xLSTM auf photonischer Hardware

Anbieter zum Thema

Q.ANT vollzieht den Schritt vom Labor in die produktionsrelevante Anwendung. Das Unternehmen demonstriert, wie seine photonische Native Processing Unit (NPU) der zweiten Generation mit komplexen KI-Workloads wie Diffusionsmodellen und rekurrenten Netzen (xLSTM) zurechtkommt.

Generative KI und Recurrent Networks laufen auf den Photonik-Prozessoren der zweiten Generation von Q.ANT.

(Bild: Q.ANT)

Die photonische Rechentechnik hat einen Reifegrad erreicht, der über grundlegende algorithmische Demonstrationen hinausgeht. Auf der diesjährigen ISC in Hamburg belegt Q.ANT, dass die eigene NPU-Architektur die gesamte Bandbreite moderner KI unterstützt: von generativer Bildsynthese bis hin zu sequenziellen Zeitreihenprognosen.

Lineare Algebra mit Licht statt Transistoren

Wie die aktuelle Roadmap des Unternehmens zeigt, markiert das Jahr 2026 mit der NPU-Generation 2 und der Software-Version 2.2 den Sprung von der reinen Klassifizierung und Segmentierung hin zu hochkomplexen Vorhersage- und Generierungsprozessen.

(Bild: Q.ANT)

Kern der Demonstration ist die Verarbeitung hochkomplexer KI-Workloads direkt auf der photonischen Hardware. Im Gegensatz zu klassischen Transistoren führt die NPU die mathematischen Operationen (lineare Algebra) mittels Lichtsignalen aus. Dr. Michael Förtsch, Gründer und CEO von Q.ANT, sieht darin die Lösung für das drängendste Problem der Branche: „Die photonische Architektur verändert die Energiegleichung für das KI-Ökosystem. Energie ist der Engpass für die Zukunft von KI. Mit Licht statt mit Transistoren zu rechnen, reduziert den Verbrauch direkt an der Quelle.“

Auf Chipebene zielen diese HPC-Workloads darauf ab, bei äquivalenten Matrixoperationen eine bis zu 30-mal höhere Energieeffizienz gegenüber klassischen Prozessoren zu erreichen.

Diffusionsmodelle und generative Synthese

Um die Eignung für generative KI zu beweisen, führt Q.ANT auf der Messe ein Diffusionsmodell zur Image-to-Image-Synthese aus. Diese Workloads gelten als besonders rechenintensiv, da sie durch iterative, massiv parallelisierte Matrixoperationen geprägt sind. Die Bilder werden dabei über wiederholte Vorwärtspässe (Forward Passes) eines Deep Neural Networks erzeugt.

Die Relevanz dieses Durchbruchs unterstreicht Prof. Dr. Björn Ommer, Leiter der Computer Vision & Learning Group an der LMU München und Entwickler der Diffusionsmodelle: „Diffusionsmodelle basieren auf sehr umfangreichen Rechenoperationen, um schrittweise eine kohärente Ausgabe zu erzeugen. Wenn photonische Hardware solche Arbeitslasten effizient und zuverlässig ausführen könnte, ist das ein spannender Hinweis darauf, dass alternative Rechenarchitekturen in der Zukunft der generativen KI eine wichtige Rolle spielen.“

xLSTM und Zeitreihenprognosen

Als Beleg für die Vielseitigkeit der Architektur präsentiert Q.ANT zudem das Zeitreihen-Prognosemodell TiRex. Dieses basiert auf der xLSTM-Architektur (Extended Long Short-Term Memory), die vom österreichischen Frontier-AI-Lab NXAI kommerzialisiert wird.

Im Gegensatz zu transformerbasierten Modellen ist xLSTM ein rekurrentes neuronales Netz (RNN), das Muster in sequenziellen Daten erkennt und Vorhersagen über lange Zeithorizonte ermöglicht. Lukas Fischer, Head of Applied Research bei NXAI, betont: „xLSTM-Architektur auf photonischen Systemen könnte neu definieren, was energieeffiziente KI überhaupt bedeutet.“ Das TiRex-Modell ist speziell für Enterprise-Anwendungen wie Finanzmarktanalysen, Supply-Chain-Optimierungen und Verkehrsflusssimulationen optimiert.

Das wachsende Ökosystem

Ein entscheidender Faktor für die industrielle Nutzung ist die Integration in bestehende Software-Workflows. Hier verweist Q.ANT auf wichtige Fortschritte:

• Compiler-Integration: Gemeinsam mit dem Partner Daisytuner gelang es bereits Anfang des Jahres, ein Objekterkennungsmodell direkt aus dem Standard-Framework PyTorch für die photonische Hardware zu kompilieren.

• Cloud-Infrastruktur: Im Mai wurde eine strategische Partnerschaft mit dem Cloud-Provider Ionos geschlossen, um photonische Rechenleistung kommerziell verfügbar zu machen.

• HPC-Präsenz: Führende Zentren wie das Leibniz-Rechenzentrum (LRZ) in München und das Jülich Supercomputing Centre betreiben die Hardware bereits im Produktivbetrieb.

Mit diesen Demonstrationen belegt Q.ANT, dass photonisches Computing das Potenzial hat, ein integraler Bestandteil der nächsten Compute-Generation zu werden – getragen von einem zunehmend stabilen Ökosystem aus Hardware, Compilern und Cloud-Partnern.

Dieser Artikel stammt von unserem Partnerportal ELEKTRONIKPRAXIS.

(ID:50883794)

Схожие новости

#	Наименование новости	Тональность	Информативность	Дата публикации
1	Агидель: Ночь 20 дек, Чт	0	0	19-12-2018
2	ABC: Трамп рассматривает возможность отставки главы аппарата Белого дома	0	0	13-11-2018
3	Газинский: сборная России в матче против шведов будет играть только на победу	0	0	19-11-2018
4	В Кузнецке прошел городской конкурс «А ну-ка, парни!»	0	0	21-02-2025
5	☝Мамы, хотите действительно отдохнуть и не думать как накормить любимых, ...	5	6	29-06-2026
6	Ветровка 116-128	0	0	09-03-2023
7	Еще один провал Японии в космонавтике. Ракета со спутником Mitsubishi Electric самоуничтожилась после запуска	0	0	08-03-2023
8	Пер Гюнт. Часть 2	0	0	22-06-2019
9	EU Agrees to Cut Emissions to Zero by 2050	0	0	15-12-2019
10	СМИ: полиция не обнаружила угроз безопасности в закрытом парке аттракционов в Бельгии	0	0	16-09-2018

Классификация: Пресс-релизы. Схожих патентов: 0. Схожих новостей: 10. Тональность: 5. Информативность: 7. Источник: www.bigdata-insider.de.