A britânica Riverlane, especialista em correção de erros quânticos, publicou em 14 de outubro de 2026 os resultados de um trabalho com a Nvidia. A empresa levou para uma única GPU H100 a parte mais pesada da recalibração do seu decodificador, o software que interpreta os sinais do processador quântico e decide qual erro corrigir. Uma rodada de treino no código de superfície caiu de cerca de 3 minutos num núcleo de CPU para 2,8 segundos. Segundo a Riverlane, a taxa de erro lógico caiu até pela metade em relação ao ponto de partida.
Em resumo
- O problema: o decodificador usa pesos que descrevem o ruído do hardware. Os qubits mudam com o tempo e esses pesos envelhecem, o que exige recalibração frequente.
- A solução: o decodificador LCD da Riverlane foi adaptado para decodificar centenas de milhares de síndromes de uma vez numa H100, dentro de um ciclo de aprendizado por reforço.
- Números: 2,8 segundos por rodada de treino contra cerca de 3 minutos num núcleo de CPU (65 vezes). Na vazão, 4,2 milhões de síndromes por segundo contra 59 mil (71 vezes).
- Ressalva: os resultados do artigo técnico usam um modelo de ruído simulado. Não há artigo revisado por pares nem teste divulgado em hardware nomeado.
- Leitura: a correção de erros quânticos está virando carga de trabalho clássica de GPU, e a Nvidia se posiciona dentro dessa camada.
O que a Riverlane fez?
Todo computador quântico com correção de erros depende de um decodificador. Ele recebe as síndromes, que são as medições que indicam onde algo deu errado, e estima quais erros aconteceram. Para isso usa pesos que representam a probabilidade de cada tipo de erro no hardware. O blog da Riverlane explica que esses pesos perdem precisão porque as frequências dos qubits, os defeitos e o desempenho das portas lógicas mudam com o tempo.
A saída da Riverlane é um ciclo de calibração automática. Ele parte de uma estimativa do ruído, propõe pesos candidatos, testa cada um decodificando grandes volumes de síndromes e fica com os que produzem menos erros lógicos. O artigo técnico, assinado por Jules Gransden, Boris Varbanov, Justus Hübotter e Samarth Ganesh Kashyap, descreve um esquema de aprendizado por reforço com vários agentes. Pequenos códigos de distância 5 funcionam como sensores locais do ruído, e cada um é premiado pela redução da taxa de erro lógico.
O gargalo é decodificar. Uma rodada de treino num trecho do código de superfície exige decodificar de milhares a dezenas de milhões de síndromes, conforme o tamanho e o nível de ruído. A Riverlane adaptou o seu Local Clustering Decoder (LCD) para fazer isso em lote numa H100. Os pesos ficam guardados como inteiros de 7 bits, o que a empresa diz ser suficiente para o experimento.
Quais são os números?
No código de superfície, a rodada de treino levou 2,8 segundos na H100 contra cerca de 3 minutos num núcleo de CPU. A Riverlane fala em ganho de 65 vezes. O blog da empresa arredonda o tempo de CPU para “cerca de 3 minutos”, e a conta com esse valor arredondado dá perto de 64 vezes, como observou o Quantum Computing Report. A diferença vem só do arredondamento.
Na vazão pura, a H100 decodificou cerca de 4,2 milhões de síndromes por segundo, contra cerca de 59 mil num núcleo de CPU, ganho de 71 vezes. No código de repetição, mais simples, foram 155 milhões de síndromes por segundo, ganho de 121 vezes, e a rodada de treino ficou 43 vezes mais rápida. O artigo explica por que o ganho na rodada é menor que o ganho na vazão: quando decodificar fica barato, o trabalho que não foi acelerado, como atualizar a política e montar os pesos candidatos, passa a pesar mais.
A comparação com CPU de vários núcleos também aparece. Com 32 núcleos, a rodada no código de superfície fica cerca de 23 vezes mais rápida que com um. Mesmo assim, uma única H100 segue 3 vezes mais rápida que os 32 núcleos no código de superfície e 2 vezes no de repetição. Na qualidade, a taxa de erro lógico caiu de alguns pontos percentuais até a metade em relação aos pesos iniciais, conforme o código.
O teste usou um computador quântico de verdade?
Os textos divergem nesse ponto. O blog da Riverlane e o Quantum Computing Report dizem que os pesos candidatos são testados contra dados experimentais do hardware. O artigo técnico, que traz os gráficos, informa outra coisa: os resultados usam o modelo de ruído simulado SI1000, com probabilidade física de erro de 0,3%, número de rodadas igual à distância do código, 100 épocas e 70 candidatos por época. Nenhuma máquina quântica é nomeada.
A leitura mais segura é a do artigo técnico. O método foi desenhado para dados de hardware, mas os números publicados agora saem de simulação. Também não há artigo revisado por pares. O Quantum Computing Report registra que os números são da própria Riverlane e da Nvidia, sem validação de terceiros, e o Quantum Zeitgeist reproduz os dados do blog sem checagem própria.
A Nvidia aparece como parceira de tecnologia. Sam Stanwyck, diretor de produto quântico da empresa, disse que a Riverlane usa IA para que a correção de erros acompanhe um hardware quântico que muda. Steve Brierley, fundador e CEO da Riverlane, disse que a correção de erros é a tecnologia que vai permitir computadores quânticos úteis.
Como chegamos até aqui?
O método se inspira num trabalho do Google Quantum AI publicado em junho de 2024 por Volodymyr Sivak, Michael Newman e Paul Klimov. Eles propuseram calibrar os pesos do decodificador com uma técnica inspirada em aprendizado por reforço, medindo diretamente a taxa de erro lógico. No processador Sycamore, o método superou a melhor calibração anterior em 16% no código de repetição e em 3,3% no de superfície.
Do lado da Riverlane, o LCD foi publicado na Nature Communications em dezembro de 2025, segundo o The Quantum Insider, como decodificador em FPGA que resolve uma rodada em menos de um microssegundo. Ele é o centro do Deltaflow 2, já instalado em sistemas da Infleqtion, da Oxford Quantum Circuits, do Oak Ridge National Laboratory e da Rigetti. Em setembro de 2026 a empresa anunciou sede nos EUA, em College Park, no Maryland. Segundo o Quantum Computing Report, a Riverlane já captou mais de US$ 120 milhões. A Marcio.AI registrou no início de outubro o acordo para levar o Deltaflow aos átomos neutros da Infleqtion e, em 13 de outubro, os códigos hiperbólicos que quadruplicam a eficiência da correção sem mais qubits.
O que muda para quem planeja usar computação quântica?
O trabalho divide o problema em duas camadas. O decodificador em tempo real, como o Deltaflow, corrige erros durante a execução, em hardware dedicado. A calibração, que ajusta esse decodificador, vira uma tarefa de computação clássica pesada e pode rodar em GPU de data center. Segundo o Quantum Zeitgeist, sistemas futuros de correção de erros podem precisar processar terabytes de dados por segundo.
Para bancos, centros de pesquisa e empresas brasileiras que estudam quântica, isso muda a conta de infraestrutura. Um computador quântico corrigido não chega sozinho. Ele vem com uma pilha clássica de decodificação e calibração, e a GPU entra nessa pilha. Quem avalia fornecedores deve perguntar quem opera essa camada, com qual hardware e com que frequência a recalibração acontece.
O que observar nas próximas semanas
A tese da Marcio.AI: até o fim de 2027, a recalibração contínua do decodificador vai rodar em GPU acoplada ao computador quântico como rotina, e a Nvidia vai estar na camada clássica da maioria dos fabricantes que usam correção de erros. O risco para a tese é o ganho não se repetir com ruído real, que muda de forma menos previsível que o simulado. Sinais para conferir: resultados do mesmo ciclo com dados de uma máquina nomeada, um artigo com revisão por pares, a chegada do Deltaflow 3, prevista para o fim de 2026, e um anúncio formal de integração entre a pilha da Riverlane e as plataformas quânticas da Nvidia, que a empresa diz estar avaliando.
Fontes
- Riverlane, From Minutes to Seconds: Faster Decoder Recalibration for Quantum Error Correction, 14/10/2026
- Riverlane, Riverlane and NVIDIA explore faster calibration for QEC with NVIDIA accelerated computing, 14/10/2026
- Quantum Computing Report, Riverlane and NVIDIA Demonstrate Accelerated QEC Decoder Calibration Using GPU Processing, 14/10/2026
- Quantum Zeitgeist, Riverlane and Nvidia speed up quantum error correction with AI, 14/10/2026
- arXiv, Optimization of decoder priors for accurate quantum error correction (Sivak, Newman e Klimov, Google Quantum AI), 04/06/2024
- The Quantum Insider, Riverlane Publishes Hardware Decoder for Real-Time Quantum Error Correction, 18/12/2025
- Quantum Computing Report, Riverlane Establishes U.S. Headquarters in Maryland’s Discovery District to Scale Real-Time QEC Deployments, 17/09/2026
Rating Marcio.AI: 4/5 (Global, Muito relevante, Muito próximo do hype). Seção DeepTech do Watcher.
#MarcioAI #ComputacaoQuantica #CorrecaoDeErros #Riverlane #Nvidia #GPU
Como este texto foi produzido
Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.
Leia também: Códigos hiperbólicos quadruplicam a eficiência da correção de erros quânticos sem mais qubits e Quântica avança em correção de erro, fábrica e hardware fotônico, até em órbita.