Modele AI Ising od NVIDIA celują w największą wadę obliczeń kwantowych

Darius Baruo 14 kwi 2026 15:11

NVIDIA uruchamia Ising, modele AI o otwartym kodzie źródłowym, które zapewniają 2,5x szybszą kwantową korekcję błędów i 3x lepszą dokładność, potencjalnie przyspieszając odporną na błędy systemy kwantowe.

NVIDIA wypuściła swoje pierwsze modele AI o otwartym kodzie źródłowym zaprojektowane specjalnie do rozwiązania fundamentalnego problemu obliczeń kwantowych: kubitów, które zawodzą mniej więcej raz na tysiąc operacji. Rodzina modeli Ising, ogłoszona 14 kwietnia 2026 roku, zapewnia korekcję błędów, która jest 2,5x szybsza i nawet 3x dokładniejsza niż istniejące metody.

Wskaźnik błędów musi spaść do jednego na bilion, zanim komputery kwantowe staną się naprawdę przydatne w aplikacjach korporacyjnych. NVIDIA stawia na to, że AI może zamknąć tę lukę.

Dwa modele, jeden problem

Ising uruchamia się z dwoma wyspecjalizowanymi komponentami. Model kalibracji to model wizyjno-językowy z 35 miliardami parametrów, który automatyzuje żmudny proces dostrajania procesorów kwantowych. W nowym benchmarku QCalEval od NVIDIA — pierwszym znormalizowanym teście dla AI kalibracji kwantowej — Ising-Calibration-1 przewyższył Gemini 3.1 Pro o 3,27%, Claude Opus 4.6 o 9,68% i GPT 5.4 o 14,5%.

Modele dekodowania obsługują korekcję błędów w czasie rzeczywistym przy użyciu trójwymiarowych konwolucyjnych sieci neuronowych. Wariant "Accurate" w połączeniu z PyMatching osiąga 2,33 mikrosekundy na rundę na sprzęcie GB300, jednocześnie poprawiając logiczne wskaźniki błędów o 1,53x. Wariant "Fast" wymienia część dokładności na szybkość, osiągając 0,11 mikrosekundy na rundę na 13 GPU GB300.

Dlaczego to ma znaczenie dla rozwoju kwantowego

Obecne systemy kwantowe wymagają ciągłej interwencji komputerów klasycznych w celu korygowania błędów, zanim się nakładają. To obliczeniowo brutalne. Podejście NVIDIA zasadniczo tworzy płaszczyznę kontrolną zasilaną AI, która może skalować się wraz z ulepszeniami sprzętu kwantowego.

Firma wytrenowała Ising-Calibration-1 na danych od partnerów pracujących z wieloma typami kubitów: kubitami nadprzewodzącymi, kropkami kwantowymi, jonami, atomami neutralnymi i elektronami na helu. Ta szerokość sugeruje, że modele powinny generalizować się na różnych architekturach kwantowych, zamiast być przywiązane do podejścia jednego dostawcy.

Pierwsi użytkownicy to Harvard, Fermi National Accelerator Laboratory, IQM Quantum Computers i UK National Physical Laboratory. Academia Sinica również dołączyła.

Open Source z warunkami

Wszystko jest udostępniane na licencji NVIDIA Open Model License: wagi, frameworki treningowe, narzędzia do generowania danych syntetycznych i przepisy wdrożeniowe. Producenci QPU mogą dostosować je do specyficznych charakterystyk szumu sprzętowego, zachowując dane zastrzeżone na miejscu.

Framework treningowy wykorzystuje bibliotekę cuQuantum i cuStabilizer od NVIDIA do generowania danych syntetycznych w locie podczas treningu PyTorch. Wstępnie wytrenowane checkpointy są dostępne na Hugging Face, a model kalibracji jest również dostępny przez platformy NVIDIA NIM i Build.

Dla zespołów budujących hybrydowe systemy kwantowo-GPU, Ising integruje się z istniejącą platformą oprogramowania CUDA-Q firmy NVIDIA oraz połączeniem sprzętowym NVQLink. API czasu rzeczywistego jest zbudowane na CUDA-Q QEC i CUDAQ-Realtime.

Harmonogram obliczeń kwantowych do praktycznej użyteczności pozostaje niepewny, ale NVIDIA wyraźnie pozycjonuje się jako warstwa infrastruktury dla tego, co się pojawi. Przy kapitalizacji rynkowej NVDA wynoszącej 4,67 biliona dolarów, firma ma zasoby, by grać długoterminowo w kwanty, podczas gdy jej biznes GPU nadal drukuje pieniądze z popytu na AI.

• nvidia
• obliczenia kwantowe
• sztuczna inteligencja
• ising
• korekcja błędów