NVIDIA beschleunigt den Entwurf fehlertoleranter Quantencomputer, ersetzt aber keine Messung auf echter Hardware

Laut einer Meldung von NVIDIA vom 14. September 2026 hat das Fermilab mit der Software CUDA-Q Logical die Entwurfsarbeit für fehlertolerante Quantencomputer von etwa fünf Monaten auf drei Wochen verkürzt, also rund um das Siebenfache. Der Gewinn betrifft den Entwurfsprozess. Messungen auf echter Hardware, die Rechenzeit der Fehlerkorrektur und der Bedarf an Hilfsqubits bleiben davon unberührt.

Was ist CUDA-Q Logical, und wer nutzt es?

CUDA-Q Logical ist eine Orchestrierungsschicht in der Open-Source-Plattform CUDA-Q, die die vielen Bausteine fehlertoleranter Anwendungen zusammenführt. Forschende sollen damit Anwendungen entwerfen, zwischen Optionen wechseln und so geeignete Konfigurationen für logische Qubits finden. Logische Qubits sind fehlerkorrigierte Recheneinheiten, die aus mehreren physikalischen Qubits aufgebaut werden.

Timothy Costa, Vice President und General Manager Quantum bei NVIDIA, spricht von einer offenen, anpassbaren Plattform. Sie könne alle Aspekte eines fehlertoleranten Systems abbilden und den Weg zu nützlichem Quantum-GPU-Supercomputing verkürzen. Das ist die Selbstauskunft des Herstellers und sollte auch so gelesen werden.

Das Problem, das die Software lösen soll, ist real. Eine Änderung am Algorithmus, am Fehlerkorrekturcode, an der Hardwarearchitektur oder an einer anderen Komponente des Quantenprozessors (QPU) kann den Ressourcenbedarf einer Anwendung stark verschieben. Ohne Orchestrierung baut jedes Labor eigene Spezialinfrastruktur. Genau das schildert das Fermilab als monatelangen Aufwand.

Als Nutzer nennt NVIDIA unter anderem Fermilab, Infleqtion, IQM, QCDesign Quantum Motion und Sandia. CUDA-Q Logical ist über das GitHub-Repositorium NVIDIA/cuda-quantum verfügbar. Wer Quantentechnik vor allem als Investitions- oder Risikothema liest, findet Hintergründe in unserem Beitrag zu Quantencomputern und FinTech.

Wie belastbar ist der Faktor sieben aus dem Fermilab?

Der Faktor sieben ist eine einfache Rechnung und beschreibt nur die Entwurfsarbeit. Fünf Monate entsprechen rund 21,7 Wochen, geteilt durch drei Wochen ergibt das etwa 7,2. NVIDIA und das Fermilab runden auf sieben.

Anna Grassellino, Technikchefin (CTO) des Fermilab, sagt, ihr Team habe Kombinationen aus Algorithmus, Fehlerkorrektur, Architektur und Hardware in drei Wochen erkundet. Üblicherweise wären dafür etwa fünf Monate Aufbau spezialisierter Infrastruktur nötig gewesen. Gemessen wird also die Beschleunigung der Algorithmus- und Architekturarbeit. Dazu zählen die Validierung früherer Ergebnisse sowie die Bewertung physikalischer Qubits, Laufzeiten und Ressourcen über verschiedene Fehlerkorrekturverfahren und Hardwarevarianten hinweg.

Das Fermilab hat nach eigener Darstellung komplizierte Systementwürfe in einen wiederholbaren, prüfbaren Rechenablauf verwandelt. Das ist ein Gewinn an Methode und Software. Es ist kein Nachweis, dass ein logisches Qubit auf Fermilab-Hardware schon für nützliche Anwendungen taugt. Die Meldung behauptet das auch nicht, und wer es hineinliest, liest sie falsch.

Ein Vergleich aus der klassischen Chipentwicklung hilft. Ein besserer Simulator verkürzt die Entwurfsschleifen, der Test am fertigen Silizium bleibt. Ebenso verkürzt CUDA-Q Logical die Erkundungsschleife, nicht aber jene Schleifen, die Messungen und Physik verlangen.

Was zeigt die Modellierung von Iceberg Quantum und Diraq?

Iceberg Quantum hat mit CUDA-Q Logical eine fehlertolerante Architektur für Qubits von Diraq modelliert, die mit 150.000 physikalischen Qubits 1.000 logische Qubits erreicht. Das sei laut NVIDIA etwa zehnmal weniger als frühere Schätzungen von Diraq. Pro logischem Qubit ergibt das 150 physikalische Qubits. Die früheren Schätzungen lägen demnach bei grob 1,5 Millionen. Diese Zahl ist eine Rückrechnung aus dem Faktor zehn, keine Angabe der Meldung.

Es handelt sich um Simulation und Architekturmodellierung, nicht um einen gebauten Chip mit 150.000 Qubits. CUDA-Q Logical habe geholfen, Implementierungen schnell zu bewerten und den Hardwarebedarf deutlich zu senken. Auch das ist eine Aussage von Hersteller und Partner. Als Ergebnis des gemeinsamen Entwurfs von Software und Hardware taugt die Zahl, als Lieferversprechen nicht.

Dieses Bild wurde mit KI generiertProviderhiggsfieldModellgpt_image_2PromptScientist reviewing a blurred benchmark scatter plot on a monitor, notebook open with blank validation checklist, thoughtful pause, photorealistic lab office, no logos, no readable text, 16:9

Weitere Beispiele aus dem Umfeld nennt NVIDIA nur am Rande: Demonstrationen mit NVQLink, Ising-Modelle bei Diraq, den Einsatz von CUDA-Q bei BlueQubit, Qedma und QCentroid sowie Anwendungsarbeiten bei IonQ, MITRE, Phasecraft, der Universität UCLA und dem Caltech. Für die Einordnung des Fermilab-Ergebnisses sind sie Hintergrund, mehr nicht.

Welche Prüfungen ersetzt der Zeitgewinn nicht?

Drei Prüfungen bleiben bestehen: der unabhängige Benchmark QUOPS, die Rechenzeit der Fehlerkorrektur und der Bedarf an Hilfsqubits. Jede einzelne ist teurer und langsamer als die Entwurfsschleife, die CUDA-Q Logical verkürzt.

Der Benchmark QUOPS. Er stammt von den Sandia National Laboratories und misst plattformübergreifend den Fortschritt hin zu nützlichen, fehlertoleranten Anwendungen. Timothy Proctor, Co-Direktor des Quantum Performance Laboratory bei Sandia, betont, dass sich Fähigkeiten damit verfolgen und vorhersagen lassen. Hersteller und Kunden brauchen dafür denselben Maßstab. Historisch hat die Branche vor allem physikalische Qubits gezählt, ihre Fehlerfreiheit und Kohärenzzeit. QUOPS soll den Blick auf Nutzen und Reife der Fehlertoleranz lenken.

Frühe Ergebnisse für Quantenprozessoren unter anderem von Google, IBM und Quantinuum stehen in einem Preprint vor der IEEE Quantum Week. Die Einzelwerte nennt die NVIDIA-Meldung nicht, hier dient der Benchmark nur als Kontext. Eine Referenzimplementierung liegt in CUDA-Q. Der Faktor sieben ersetzt QUOPS nicht, er beschleunigt lediglich, wie Labore Konfigurationen durchspielen, bevor jemand auf Hardware misst.

Die Rechenzeit des Decoders. Fehlertolerant heißt, Fehler zu erkennen und zu korrigieren, während der Algorithmus läuft. Der Decoder, der die Fehlermuster auswertet, braucht dafür Zeit. Liegt seine Latenz über dem Zeitbudget der Hardware, bricht die Korrekturkette, egal wie schnell Architekturvarianten durchgespielt wurden. NVIDIA nennt in der Meldung keine Latenz. Eine Zahl dafür wäre erfunden.

Für jede Kombination aus Code und Architektur muss also jemand Latenz, Durchsatz und Fehlerrate der Korrektur messen oder zumindest budgetieren. Der schnelle Workflow hilft, Kandidaten zu sortieren. Den Decoder misst er nicht.

Die Hilfsqubits. Logische Qubits brauchen physikalische Qubits nicht nur für Daten, sondern auch für Hilfsrollen. Diese Hilfsqubits (Ancillaries) liefern etwa Fehlerinformationen oder dienen der Verbindung. Das Verhältnis von 150.000 zu 1.000 verdichtet all das in eine Zahl. Es sagt nicht, wie sich der Aufwand ändert, wenn Decoder, Verbindungen oder Fehlerprofile realer Chips abweichen.

Eine illustrative Rechnung, ohne erfundene Spezifikation: Steigt der Bedarf um 20 Prozent, sind es 180.000 physikalische Qubits für dieselbe logische Zielgröße. Sinkt die Effizienz der Fehlerkorrektur, können wieder Hunderte physikalische Qubits pro logischem Qubit nötig werden. Ohne unabhängige Wiederholung bleibt die Modellierung ein Szenario. Eine Fabrik für 150.000 Qubits auf eine einzelne Modellierungsfolie zu gründen, wäre mutig.

Was folgt daraus für Labore, Geldgeber und Sicherheitsverantwortliche?

Der Zeitgewinn gilt für die Erkundung, nicht für das Gesamtprojekt, und das gehört in jede Planung. Eine Beispielrechnung, ausdrücklich nur als Skizze: Ein Labor will vier Architekturvarianten prüfen. Ohne Orchestrierung braucht jede fünf Wochen Spezialaufbau, zusammen also 20 Wochen. Mit CUDA-Q Logical dauert die Erkundung drei Wochen, hinzu kommen acht Wochen für Hardware und Decoder. Das spart neun Wochen Kalenderzeit, vorausgesetzt, die acht Wochen Messung bleiben unvermeidlich. Der Faktor sieben gilt nur für den ersten Posten.

Controllende sollten daher drei Spalten führen. Die erste enthält die belegten Angaben: Logical in CUDA-Q, Fermilab mit fünf Monaten gegen drei Wochen, Iceberg mit 1.000 zu 150.000, QUOPS in CUDA-Q, GitHub. Die zweite nennt offene Messgrößen: Decoder-Latenz, tatsächlicher Aufwand an Hilfsqubits und QUOPS-Werte der eigenen Hardware. In der dritten steht die Entscheidung, nämlich das Werkzeug zu prüfen, aber keine Hardware-Planung allein auf eine Zahl aus einer Pressemeldung zu stützen. Die Kosten liegen weiter in Hardware, Kühlung, Steuerung und Personal für Messkampagnen.

Für Geldgeber gilt: Den Faktor sieben und den Faktor zehn führt man als Angaben der Partner, QUOPS als externe Messlatte. Sicherheitsverantwortliche in Banken sollten die Meldung als Branchensignal lesen, nicht als Terminplan für fehlertolerante Maschinen im Rechenzentrum. Schnellere Architekturstudien können den Druck auf die Umstellung auf Post-Quanten-Kryptografie erhöhen oder mildern, linear aus dem Faktor sieben ableiten lässt sich das nicht. Für Zahlungsverkehr gelten zudem andere Zeitpläne, wie unser Beitrag zur Sicherheit im Zahlungsverkehr unter Quantendruck zeigt.

Zwei weitere Punkte betreffen die Praxis. Dass die Software offen auf GitHub liegt, senkt die Einstiegshürde, birgt aber ein Versionsrisiko. Zwei Institute können „CUDA-Q Logical“ vergleichen und unterschiedliche Programmstände und Modellannahmen meinen. In jeder Publikation sollten deshalb Programmstand, Datum und QUOPS-Wert stehen. Und NVIDIA spricht von nützlichen Anwendungen wie Wirkstoffforschung, Finanzmodellen und Materialien. Das ist ein Zielbild, kein Liefertermin, und die Meldung nennt dafür keine veröffentlichten Schwellenwerte.

Eine Meinung sei erlaubt: Die Meldung ist stark, weil sie mit dem Fermilab und Sandia zwei konkrete Stimmen nennt, und schwach, wo man Messwerte zu Decoder und Hilfsqubits sucht. Ein Werkzeug wie dieses zu begrüßen und die Messlücken zu benennen, schließt sich nicht aus. Ähnlich gilt es bei Werkzeugen für KI im Unternehmen: Sie beschleunigen Experimente, doch erst Regeln und Messung entscheiden, ob daraus Produkte werden.

Zusammengefasst: CUDA-Q Logical erweitert CUDA-Q um eine offene Orchestrierungsschicht für fehlertolerante Anwendungen. Das Fermilab berichtet von fünf Monaten gegenüber drei Wochen, Iceberg und Diraq modellieren 1.000 logische mit 150.000 physikalischen Qubits, und QUOPS von Sandia liegt als Referenz in CUDA-Q. Schneller zu entwerfen ist ein echter Fortschritt. Fertig fehlertolerant ist damit noch nichts.