IBM och Massachusetts Institute of Technology (MIT) har lanserat MIT-IBM Computing Research Lab, en ny gemensam forskningsorganisation som syftar till att främja grundläggande arbete inom artificiell intelligens, algoritmer och kvantberäkning, med fokus på beräkningsmetoder som kan sträcka sig bortom de praktiska gränserna för klassiska system. Labbet utvecklas från MIT-IBM Watson AI Lab (grundat 2017 på MIT:s campus). Det återspeglar ett skifte i tekniklandskapet, där AI nu används i stor utsträckning och kvantberäkning går mot större praktisk nytta.
Ledningen beskrev det nya labbet som ett verktyg för djupare gemensam utveckling inom modellering, algoritmer och systemdesign, särskilt i skärningspunkten mellan AI och kvantum. MIT-ledningen positionerade satsningen som en fortsättning på partnernas resultat från tidigare decennier och en mekanism för att upprätthålla långsiktig forskning med akademisk noggrannhet och industriell relevans.
Forskningsfokus: AI, algoritmer, kvant- och hybridsystem
Labbets tekniska agenda är inriktad på samarbeten över flera områden.
Ett av de primära fokusområdena är AI och hybridberäkning, där man utforskar metoder som kombinerar klassisk beräkning med avancerade AI-metoder och, där så är lämpligt, kvantcentriska element. Målet är att förbättra integrationen av AI-funktioner i produktionsorienterade datormiljöer, med betoning på praktiska, operativa förbättringar.
Dessutom betonar labbet utvecklingen av små, effektiva språkmodellarkitekturer och nya AI-beräkningsparadigmer. Dessa insatser ses ur ett företagsperspektiv på implementering, med särskild uppmärksamhet på systemattribut som tillförlitlighet, transparens och trovärdighet. Detta indikerar ett fokus inte bara på forskningsprototyper utan också på att skapa operativa system som uppfyller verkliga begränsningar.
Agendan inkluderar även forskning om kvantalgoritmer och de matematiska grunder som behövs för att hantera komplexa problemklasser relevanta för områden som materialvetenskap, kemi och biologi. Vid sidan av detta finns en bredare undersökning av de matematiska och algoritmiska grunderna för nästa generations beräkningar, med syfte att främja grundläggande förståelse och förmågor.
Labbet lyfte också fram grundläggande arbete som spänner över maskininlärningsteori, optimering, Hamiltonsimulering och partiella differentialekvationer (PDE). Dessa områden är ofta flaskhalsar för storskalig dynamisk systemapproximation, där klassiska metoder kan ha problem med trohet, kostnad eller båda. Medan flera exempel på tillämpningsområden nämndes, är den tekniska tråden förbättrade metoder för simulering och optimering som kan leda till prognoser med högre noggrannhet och mer effektiva beräkningspipelines.
Anpassning till MIT-initiativ och IBMs kvantfärdplan
MIT noterade att labbet kompletterar två institutsomfattande insatser: MIT Generative AI Impact Consortium och MIT Quantum Initiative. IBM, å sin sida, upprepade sin plan att leverera en feltolerant kvantdator senast 2029 och sin bredare strävan mot kvantcentrisk superdatorteknik, vilket de beskriver som den nära integrationen av kvantsystem med högpresterande datorteknik och AI-acceleratorer.
Labbstruktur och ledarskap
Labbet kommer även fortsättningsvis att ledas gemensamt av Aude Oliva, Senior Research Scientist vid MIT CSAIL, och David Cox, Vice President, AI Foundations, vid IBM Research. Områdesansvariga utsågs inom tre områden:
- AI: Jacob Andreas (MIT EECS) och Kenney Ng (IBM Research; chef för MIT-IBM:s vetenskapsprogram)
- Algoritmer: Vinod Vaikuntanathan (MIT EECS) och Vasileios Kalantzis (IBM Research)
- Kvant: Aram Harrow (MIT Physics) och Hanhee Paik (IBM; Quantum Algorithm Centers)
MIT utsåg också Dan Huttenlocher, dekanus för MIT Schwarzman College of Computing, till MIT:s medordförande för labbet.
Resultat hittills från föregående labb
MIT och IBM betraktade det nya labbet som en utgångspunkt i Watson AI Labs skala och publikationshistorik. Sedan starten har det tidigare samarbetet finansierat fler än 210 forskningsprojekt med fler än 150 MIT-fakultetsmedlemmar och fler än 200 IBM-forskare, vilket resulterat i fler än 1 500 vetenskapligt granskade artiklar. Programmet rapporterade också finansiering för fler än 500 studenter och postdoktorala forskare, vilket positionerar arbetskraftsutveckling som en kontinuerlig leverans vid sidan av forskningsresultat.
IBM och Dallara tillkännager AI och kvantutforskning för aerodynamiska designarbetsflöden
I ett separat tillkännagivande efter lanseringen av MIT-IBM-laboratoriet avslöjade IBM och Dallara Group ett samarbete inriktat på att tillämpa AI på fysikinformerad fordonsaerodynamik och på att utforska kvant- och hybridkvantklassiska metoder som skulle kunna komplettera simuleringstunga designcykler över tid.
Fysikbaserad AI som ett surrogat för att accelerera CFD-driven iteration
Projektet riktar sig mot en välkänd begränsning inom motorsport och utveckling av högpresterande fordon: beräkningsmässig fluiddynamik (CFD) är noggrann men dyr, och iterativ geometriutforskning kan sträcka sig från timmar per svep till veckor eller månader över ett fullständigt utvecklingsarbetsflöde.
IBM och Dallara rapporterade tidiga resultat från en fysikbaserad AI-metod för att utvärdera flera bakre diffusorkonfigurationer på en konceptuell LMP2-liknande racerbil. I den beskrivna jämförelsen tog den traditionella CFD-metoden några timmar att beräkna alla konfigurationer. Däremot slutförde AI-metoden samma utvärderingar på cirka 10 sekunder, rapporterade felmarginaler jämförbara med CFD och identifierade en optimal konfiguration.
IBM karakteriserade detta som en väg att komprimera utvärderingen av hundratals konfigurationer från dagar till minuter, vilket möjliggör tidigare utforskning i designcykeln samtidigt som fullständig CFD reserveras för djupare validering och slutlig optimering. Utgåvan hänvisade också till tryckfältsmodellering för en vinkeljustering av den bakre diffusorn från -2 till +4 grader, med AI-utdata beskrivna som nära matchande CFD-resultat.
Kvant- och hybridmetoder under utvärdering
Parallellt sa teamen att de utvärderar var kvant- eller hybridkvantklassiska tekniker skulle kunna passa in i simulerings- och optimeringsarbetsflöden. Den kortsiktiga ramen är utforskande: att identifiera arbetsbelastningar där dessa metoder skulle kunna komplettera etablerade CFD-pipelines och kartlägga långsiktiga möjligheter allt eftersom kvantsystem mognar.
Forskningspublikation och modellhärledning (arXiv och ICLR)
IBM och Dallara kopplade arbetet till nya publikationer:
- De första resultaten av samarbetet beskrevs i en arXiv-förtryck daterat 20 april 2026.
- Arbetet bygger på IBMs Gauge-Invariant Spectral Transformers (GIST)-modell, som refereras i en Förtryck den 17 mars.
Företagen sa att de presenterade relaterade framsteg vid den internationella konferensen om läranderepresentationer (ICLR) den 26 april 2026 i Rio de Janeiro.
Fabrizio Arbucci, IT-chef på Dallara, lyfte fram den bredare betydelsen av neurala surrogatmodeller, som initialt testats i högpresterande fordon. Han betonade att framsteg inom aerodynamisk effektivitet, såsom en minskning av luftmotståndet på en till två procent, kan leda till betydande bränslebesparingar inom olika transportsätt, inklusive personbilar och flygplan, vilket gynnar industrier som är beroende av aerodynamik.
Amazon