مدل‌های هوش مصنوعی Ising انویدیا بزرگ‌ترین نقص محاسبات کوانتومی را هدف قرار می‌دهند

داریوس باروو ۱۴۰۵/۰۱/۲۵ ۱۵:۱۱

انویدیا مدل‌های هوش مصنوعی متن‌باز Ising را راه‌اندازی می‌کند که تصحیح خطای کوانتومی ۲.۵ برابر سریع‌تر و دقت ۳ برابر بهتر ارائه می‌دهد و به طور بالقوه سیستم‌های کوانتومی تحمل‌پذیر خطا را تسریع می‌کند.

انویدیا اولین مدل‌های هوش مصنوعی متن‌باز خود را که به طور خاص برای رفع مشکل اساسی محاسبات کوانتومی طراحی شده‌اند، عرضه کرد: کیوبیت‌هایی که تقریباً یک بار در هر هزار عملیات دچار خرابی می‌شوند. خانواده مدل Ising که در ۲۵ فروردین ۱۴۰۵ اعلام شد، تصحیح خطایی ارائه می‌دهد که ۲.۵ برابر سریع‌تر و تا ۳ برابر دقیق‌تر از روش‌های موجود است.

آن نرخ خطا باید به یک در یک تریلیون کاهش یابد تا رایانه‌های کوانتومی برای کاربردهای سازمانی واقعاً مفید شوند. انویدیا شرط‌بندی می‌کند که هوش مصنوعی می‌تواند این شکاف را پر کند.

دو مدل، یک مشکل

Ising با دو جزء تخصصی راه‌اندازی می‌شود. مدل کالیبراسیون یک مدل بینایی-زبانی با ۳۵ میلیارد پارامتر است که فرآیند خسته‌کننده تنظیم پردازنده‌های کوانتومی را خودکار می‌کند. در معیار جدید QCalEval انویدیا - اولین تست استاندارد شده برای هوش مصنوعی کالیبراسیون کوانتومی - Ising-Calibration-1 از Gemini 3.1 Pro با ۳.۲۷٪، Claude Opus 4.6 با ۹.۶۸٪ و GPT 5.4 با ۱۴.۵٪ بهتر عمل کرد.

مدل‌های رمزگشایی تصحیح خطای زمان واقعی را با استفاده از شبکه‌های عصبی کانولوشنال سه‌بعدی مدیریت می‌کنند. نسخه "دقیق" همراه با PyMatching به ۲.۳۳ میکروثانیه در هر دور بر روی سخت‌افزار GB300 دست می‌یابد در حالی که نرخ خطای منطقی را ۱.۵۳ برابر بهبود می‌بخشد. نسخه "سریع" مقداری از دقت را برای سرعت مبادله می‌کند و به ۰.۱۱ میکروثانیه در هر دور در ۱۳ GPU GB300 می‌رسد.

چرا این برای توسعه کوانتومی مهم است

سیستم‌های کوانتومی فعلی برای تصحیح خطاها قبل از آبشاری شدن آن‌ها، نیاز به مداخله مداوم رایانه کلاسیک دارند. این از نظر محاسباتی سنگین است. رویکرد انویدیا اساساً یک صفحه کنترل مبتنی بر هوش مصنوعی ایجاد می‌کند که می‌تواند در کنار بهبود سخت‌افزار کوانتومی مقیاس‌پذیر باشد.

این شرکت Ising-Calibration-1 را بر روی داده‌های شرکای کاری در انواع مختلف کیوبیت آموزش داد: کیوبیت‌های ابررسانا، نقاط کوانتومی، یون‌ها، اتم‌های خنثی و الکترون‌ها بر روی هلیم. این وسعت نشان می‌دهد که مدل‌ها باید در معماری‌های مختلف کوانتومی تعمیم یابند به جای اینکه به رویکرد یک فروشنده قفل شوند.

پذیرندگان اولیه شامل هاروارد، آزمایشگاه ملی شتاب‌دهنده فرمی، IQM Quantum Computers و آزمایشگاه فیزیک ملی انگلستان هستند. Academia Sinica نیز در کار است.

متن‌باز با شرایط

همه چیز تحت مجوز مدل باز انویدیا ارسال می‌شود: وزن‌ها، چارچوب‌های آموزشی، ابزارهای تولید داده مصنوعی و دستورالعمل‌های استقرار. سازندگان QPU می‌توانند برای ویژگی‌های نویز سخت‌افزاری خاص خود تنظیم دقیق انجام دهند در حالی که داده‌های اختصاصی را در محل نگه می‌دارند.

چارچوب آموزشی از کتابخانه cuQuantum و cuStabilizer انویدیا برای تولید داده مصنوعی در حین آموزش PyTorch استفاده می‌کند. نقاط بازرسی از پیش آموزش‌دیده در Hugging Face موجود است و مدل کالیبراسیون از طریق پلتفرم‌های NVIDIA NIM و Build نیز قابل دسترسی است.

برای تیم‌هایی که سیستم‌های ترکیبی کوانتومی-GPU می‌سازند، Ising با پلتفرم نرم‌افزاری CUDA-Q و اتصال سخت‌افزاری NVQLink موجود انویدیا یکپارچه می‌شود. API زمان واقعی بر روی CUDA-Q QEC و CUDAQ-Realtime ساخته شده است.

جدول زمانی محاسبات کوانتومی برای سودمندی عملی نامشخص باقی می‌ماند، اما انویدیا به وضوح خود را به عنوان لایه زیرساخت برای هر آنچه پدیدار می‌شود موقعیت‌یابی می‌کند. با ارزش بازار NVDA که در ۴.۶۷ تریلیون دلار قرار دارد، این شرکت منابعی برای بازی بلندمدت در کوانتوم دارد در حالی که تجارت GPU آن به چاپ پول از تقاضای هوش مصنوعی ادامه می‌دهد.

• nvidia
• محاسبات کوانتومی
• هوش مصنوعی
• ising
• تصحیح خطا