NVIDIA Ising KI-Modelle zielen auf den größten Fehler des Quantencomputings ab

Darius Baruo 14.04.2026 15:11

NVIDIA startet Ising, Open-Source-KI-Modelle, die eine 2,5-mal schnellere Quantenfehlerkorrektur und 3-mal bessere Genauigkeit liefern und potenziell fehlertolerante Quantensysteme beschleunigen.

NVIDIA Ising KI-Modelle zielen auf den größten Fehler des Quantencomputings ab

NVIDIA hat seine ersten Open-Source-KI-Modelle veröffentlicht, die speziell entwickelt wurden, um das grundlegende Problem des Quantencomputings zu lösen: Qubits, die etwa einmal pro tausend Operationen versagen. Die Ising-Modellfamilie, angekündigt am 14.04.2026, liefert eine Fehlerkorrektur, die 2,5-mal schneller und bis zu 3-mal genauer ist als bestehende Methoden.

Diese Fehlerrate muss auf eins zu einer Billion sinken, bevor Quantencomputer für Unternehmensanwendungen wirklich nützlich werden. NVIDIA setzt darauf, dass KI diese Lücke schließen kann.

Zwei Modelle, ein Problem

Ising startet mit zwei spezialisierten Komponenten. Das Kalibrierungsmodell ist ein 35-Milliarden-Parameter-Vision-Language-Modell, das den mühsamen Prozess der Abstimmung von Quantenprozessoren automatisiert. Bei NVIDIAs neuem QCalEval-Benchmark – dem ersten standardisierten Test für Quantenkalibrierungs-KI – übertraf Ising-Calibration-1 Gemini 3.1 Pro um 3,27 %, Claude Opus 4.6 um 9,68 % und GPT 5.4 um 14,5 %.

Die Dekodierungsmodelle verarbeiten Echtzeit-Fehlerkorrektur unter Verwendung von 3D-Convolutional Neural Networks. Die „Accurate"-Variante in Kombination mit PyMatching erreicht 2,33 Mikrosekunden pro Runde auf GB300-Hardware und verbessert gleichzeitig die logischen Fehlerraten um das 1,53-fache. Die „Fast"-Variante tauscht etwas Genauigkeit gegen Geschwindigkeit ein und erreicht 0,11 Mikrosekunden pro Runde über 13 GB300 GPUs.

Warum dies für die Quantenentwicklung wichtig ist

Aktuelle Quantensysteme erfordern ständige klassische Computereingriffe, um Fehler zu korrigieren, bevor sie sich ausbreiten. Das ist rechnerisch brutal. NVIDIAs Ansatz schafft im Wesentlichen eine KI-gesteuerte Kontrollplattform, die zusammen mit Verbesserungen der Quantenhardware skalieren kann.

Das Unternehmen trainierte Ising-Calibration-1 mit Daten von Partnern, die mit mehreren Qubit-Typen arbeiten: supraleitende Qubits, Quantenpunkte, Ionen, neutrale Atome und Elektronen auf Helium. Diese Breite deutet darauf hin, dass die Modelle über verschiedene Quantenarchitekturen hinweg generalisieren sollten, anstatt an den Ansatz eines Anbieters gebunden zu sein.

Zu den frühen Anwendern gehören Harvard, Fermi National Accelerator Laboratory, IQM Quantum Computers und das UK National Physical Laboratory. Academia Sinica ist ebenfalls dabei.

Open Source mit Bedingungen

Alles wird unter NVIDIAs Open Model License ausgeliefert: Gewichte, Trainings-Frameworks, synthetische Datengenerierungstools und Deployment-Rezepte. QPU-Entwickler können für ihre spezifischen Hardware-Rauschcharakteristiken feinabstimmen und gleichzeitig proprietäre Daten vor Ort behalten.

Das Trainings-Framework verwendet NVIDIAs cuQuantum-Bibliothek und cuStabilizer, um synthetische Daten während des PyTorch-Trainings spontan zu generieren. Vortrainierte Checkpoints sind auf Hugging Face verfügbar, wobei das Kalibrierungsmodell auch über NVIDIAs NIM- und Build-Plattformen zugänglich ist.

Für Teams, die Quanten-GPU-Hybridsysteme aufbauen, integriert sich Ising mit NVIDIAs bestehender CUDA-Q-Softwareplattform und NVQLink-Hardware-Interconnect. Die Echtzeit-API basiert auf CUDA-Q QEC und CUDAQ-Realtime.

Der Zeitplan des Quantencomputings bis zur praktischen Nutzbarkeit bleibt ungewiss, aber NVIDIA positioniert sich eindeutig als Infrastrukturebene für alles, was entsteht. Mit einer Marktkapitalisierung von NVDA von 4,67 Billionen Dollar verfügt das Unternehmen über die Ressourcen, um das langfristige Spiel beim Quantencomputing zu spielen, während sein GPU-Geschäft weiterhin Geld aus der KI-Nachfrage druckt.

Bildquelle: Shutterstock