NVIDIA Ising es la primera familia del mundo de modelos abiertos de IA para construir procesadores cuánticos y sabe lanza con dos dominios de modelo: Ising Calibration y Ising Decoding.

Ambos apuntan al desafío fundamental de la computación cuántica: los qubits son inherentemente ruidosos. Los mejores procesadores cuánticos cometen un error aproximadamente una vez cada mil operaciones. Para convertirse en aceleradores útiles de los problemas científicos y empresariales, las tasas de error deben reducirse a uno entre un billón o más. La IA es el camino más prometedor para cerrar esa brecha a escala.

La calibración es el proceso de comprender el ruido en cada procesador cuántico y ajustarlo para lograr el mejor rendimiento posible. La calibración minimiza el error, pero debido al ruido en los sistemas cuánticos, los errores deben corregirse en tiempo real mediante una computadora clásica, más rápido de lo que sabe acumulan. Este proceso sabe llama decodificación con corrección de errores cuánticos. Tanto la calibración como la decodificación requieren un uso intensivo de computación y necesitan métodos mejorados para impulsar el progreso. Ising ofrece rendimiento avanzado en calibración y decodificación de corrección de errores, utilizando técnicas para escalar a millones de qubits.

NVIDIA Ising proporciona modelos básicos abiertos, un marco de capacitación y flujos de trabajo para ajuste, cuantificación e implementación. Los modelos previamente entrenados ofrecen el máximo rendimiento desde el primer momento y, como todo está abierto, los usuarios también pueden especializarse en sus propias características de hardware y ruido mientras mantienen los datos QPU patentados en el sitio.

En esta publicación, profundizamos en cómo NVIDIA Ising ofrece puntos de partida para que los usuarios seleccionen modelos base, entrenen los suyos propios, ajusten, cuantifiquen e implementen flujos de trabajo de inferencia optimizados donde sea necesario, mejorando el rendimiento de QPU y brindando un camino para escalar a supercomputadoras Quantum-GPU capaces de resolver problemas útiles.

La familia NVIDIA Ising sabe lanza con dos modelos innovadores:

  • NVIDIA Ising Calibration: un modelo de visión y lenguaje (VLM) para automatizar las tareas de calibración de QPU.
  • NVIDIA Ising Decoding: consta de dos modelos CNN 3D para la exigente decodificación necesaria durante la corrección de errores cuánticos.

Calibración de NVIDIA Ising

NVIDIA Ising Calibration es un VLM capaz de comprender los resultados de experimentos científicos de computación cuántica y cómo sabe comparan con las tendencias esperadas.

Este VLM sabe puede utilizar en un flujo de trabajo agente que responde a los resultados de las mediciones y calibra activamente un procesador cuántico hasta que su funcionamiento sabe ajuste a las especificaciones deseadas.

El modelo Ising-Calibration-1 sabe entrenó con datos generados a partir de información proporcionada por socios que abarcan múltiples modalidades de qubits, incluidos qubits superconductores, puntos cuánticos, iones, átomos neutros, electrones en helio y otros especializados en calibración y control.

A falta de un punto de referencia estándar para evaluar los modelos de calibración cuántica, NVIDIA colaboró ​​con socios cuánticos para desarrollar QCalEval, el primer punto de referencia del mundo para la calibración agente de computadoras cuánticas, que contiene resultados reales de computadoras cuánticas.

Este punto de referencia es una prueba de puntuación semántica de seis partes que evalúa la eficacia de cualquier modelo en tareas de calibración relevantes. QCalEval mide la capacidad de un modelo para interpretar resultados experimentales, clasificar resultados, evaluar su importancia, evaluar la calidad del ajuste y las características clave, y generar recomendaciones prácticas para el siguiente paso. Obtenga más información sobre el punto de referencia QCalEval, junto con la arquitectura del modelo y los resultados de la evaluación.

Ising-Calibration-1 supera repetidamente a los modelos abiertos y cerrados de última generación en una variedad de parámetros. Como sabe muestra en la Figura 1, Ising Calibration 1 obtiene una puntuación un 3,27 % mejor en promedio que Gemini 3.1 Pro, un 9,68 % mejor que Claude Opus 4.6 y un 14,5 % mejor que GPT 5.4. El VLM de parámetro 35B es adecuado para GPU de centros de datos como NVIDIA Grace Blackwell y NVIDIA Vera Rubin, y tarjetas de consumo como NVIDIA DGX Spark.

Con NVIDIA NeMo Agent Toolkit, los desarrolladores pueden crear agentes que sabe integren con una amplia gama de modelos para automatizar el proceso de calibración. Al utilizar este enfoque con el modelo Ising-Calibration-1, los desarrolladores pueden automatizar eficazmente los flujos de trabajo de calibración con una mínima supervisión humana.

Los socios de NVIDIA han demostrado la integración de este flujo de trabajo agente dentro de una amplia gama de pilas de software de control y calibración, y a través de agentes de codificación populares, como Coda, Cursor o Claude Code.

Obtenga más información sobre la implementación de Ising-Calibration-1 con un agente consultando el plano en GitHub.

Decodificación NVIDIA Ising

Utilizando el marco de capacitación de NVIDIA Ising Decoding, los constructores, operadores y desarrolladores de decodificadores de QPU pueden entrenar pequeños decodificadores de IA CNN 3D. Las operaciones en tiempo real que escalan tanto en el espacio como en el tiempo ayudan a mejorar la latencia y las tasas de error lógico. Estos predecodificadores aceleran y mejoran la precisión del decodificador al manejar una gran cantidad de errores de síndrome localizados. También pueden escalar a distancias de código arbitrarias, lo que ayuda a los equipos a implementar decodificadores de corrección de errores cuánticos que escalarán con sus QPU hasta la cirugía de celosía.

Los usuarios sólo necesitan definir su modelo de ruido, la orientación del código de superficie rotada y la profundidad del modelo (cuanto más profundo, más preciso). Luego, el marco de entrenamiento utiliza la biblioteca cuStabilizer dentro de NVIDIA cuQuantum y PyTorch para generar datos de entrenamiento sintéticos y entrenar una CNN 3D que optimiza el rendimiento de decodificación para la tarea. Los usuarios también pueden optar por más o menos capas, lo que crea un equilibrio entre el tiempo de ejecución y la precisión. El mejor modelo de CNN depende de la distancia del código, la tasa de error físico, la efectividad del decodificador global y el presupuesto de latencia de ida y vuelta.

Precisión o velocidad: seleccionar el modelo base adecuado

En HuggingFace sabe encuentran disponibles dos ejemplos de modelos base, optimizados para precisión o velocidad.

Ising-Decoder-SurfaceCode-1-Fast tiene menos capas, un campo receptivo de 9 y está entrenado en volúmenes de entrada de tamaño 9x9x9 (aunque sabe pueden usar volúmenes de entrada arbitrarios durante la inferencia). Este modelo tiene aproximadamente 912.000 parámetros. Debido a su pequeño tamaño, sabe ejecuta de manera eficiente en una GPU, pero proporciona menos mejora en la tasa de error lógico (LER) en comparación con un modelo más grande. El predecodificador rápido más PyMatching es 2,5 veces más rápido que PyMatching y 1,11 veces más preciso en d=13 para p=0,003.

Ising-Decoder-SurfaceCode-1-Accurate tiene más capas, un campo receptivo de 13 y está entrenado en volúmenes de entrada de tamaño 13x13x13. Este modelo tiene aproximadamente 1,79 millones de parámetros. Dado su mayor tamaño, puede corregir cadenas de errores más grandes en comparación con el decodificador rápido, pero tarda más en ejecutarse. Siempre que esta velocidad de extremo a extremo esté en el rango deseado para la QPU objetivo, la gran mejora en LER puede valer el costo adicional del tiempo de ejecución. El predecodificador Accurate más PyMatching es 2,25 veces más rápido que PyMatching y 1,53 veces más preciso que PyMatching para d=13 en p=0,003

La Figura 2 muestra la compensación entre modelos rápidos y precisos, en comparación con la línea base de coincidencia perfecta de peso mínimo (MWPM). Muestra el régimen ideal para implementar el modelo previo al decodificador dada cierta tasa de error físico y distancia del código. Por ejemplo, el modelo preciso puede ofrecer una mejora 3 veces mayor en LER en d=31 para p=0,003, cuando sabe entrena con datos de d=13.

Este enfoque mejora el LER y la latencia en una variedad de modelos de ruido y admite Union Find, coincidencia correlacionada y decodificadores de aprendizaje automático como decodificadores globales, lo que permite estrategias de corrección de errores cuánticos más escalables.

También hemos desarrollado una API en tiempo real basada en NVIDIA CUDA-Q QEC, CUDAQ-Realtime y NVIDIA NVQLink, diseñada para ofrecer la baja latencia necesaria para la computación cuántica. Hemos demostrado que para el modelo Accurate + PyMatching, GB300, FP16 Precision, tasa de error físico de 0,003, 104 rondas, código de superficie d=13, podemos lograr 2,33 μs/ronda, lo que proporciona una aceleración de 2,25 veces y una mejora de 1,53 veces en LER.

Proyectamos que, con 13 GPU GB300, precisión FP8, tasa de error físico de 0,003, 1000 rondas, código de superficie d=13, el modelo rápido puede alcanzar 0,11 μs/ronda. Esta arquitectura de modelo previo al decodificador está diseñada para acelerar y mejorar la precisión de los decodificadores, acercándonos a una útil computación cuántica tolerante a fallas. Lea más en nuestra publicación de blog CUDA-Q QEC.

Obtenga más información sobre la arquitectura del modelo NVIDIA Ising Decoder y explore una amplia gama de análisis y resultados.

Comience a construir con los recursos abiertos de NVIDIA Ising

La familia de modelos NVIDIA Ising está totalmente abierta. Se proporcionan pesos, marcos de entrenamiento, datos, puntos de referencia y recetas para permitir que otros modifiquen, implementen, entrenen y ajusten sus propios modelos y variantes para sus QPU específicas.

Pesos del modelo

Los puntos de control de parámetros completos para Ising Calibration 1 e Ising Decoder SurfaceCode 1 están disponibles en Hugging Face, y Ising Calibration 1 también está disponible a través de NVIDIA NIM y NVIDIA Build. La licencia de modelo abierto de NVIDIA brinda a los constructores y operadores de QPU la flexibilidad para mantener el control de los datos e implementarlos en cualquier lugar.

Marco de formación

NVIDIA está lanzando un marco de capacitación completo para Ising Decoder SurfaceCode 1 que permite a los usuarios generar datos sintéticos con la biblioteca NVIDIA cuQuantum, NVIDIA cuStabilizer sobre la marcha, mientras entrenan con PyTorch. Este marco permite a los desarrolladores producir modelos de decodificadores adaptados a sus características de ruido específicas de QPU.

Recetas de implementación

Hay disponibles libros de cocina y ejemplos listos para usar para los principales motores de inferencia, cada uno con plantillas de configuración, orientación para ajustar el rendimiento y scripts de referencia:

  • La decodificación en tiempo real es un ejemplo de ejecución de predecodificación en tiempo real con Decoder SurfaceCode 1 y PyMatching usando NVIDIA TensorRT en CUDA-Q QEC.
  • Entrenar un decodificador con Ising-Decoding, cuStabilizer y PyTorch, y cuantificarlo.
  • El agente de calibración cuántica es un script para implementar un flujo de trabajo agente utilizando Ising Calibration 1 con NVIDIA Nemo Agent Toolkit para configurar rápidamente la automatización del experimento de calibración cuántica.

Recetas de ajuste y cuantificación

Explore los libros de recetas de personalización de NVIDIA Ising para cuantificar o ajustar un dominio específico (LoRA/SFT) o mejorar sus capacidades de razonamiento agente (GRPO/DAPO):

  • Cuantización a FP8 para Ising-Decoder-SurfaceCode-1.

Conjuntos de datos abiertos y punto de referencia QCalEval

NVIDIA Ising Calibration 1 sabe basa en datos QPU reales proporcionados por socios y colaboradores. También sabe ha publicado un punto de referencia de calibración cuántica semántica para evaluar la eficacia del modelo para esta tarea.

  • Los detalles sobre QCalEval están disponibles en este artículo de investigación, con un script para ejecutarlo en GitHub.
  • Revisar el conjunto de datos en HuggingFace.

Empezar

NVIDIA Ising está disponible con los siguientes recursos para comenzar:

  • Marco de formación y libro de cocina de Ising Decoding GitHub bajo Apache 2.0.
  • Ising Calibration NIM: disponible en build.nvidia.com y en el catálogo NVIDIA NGC.
  • Flujo de trabajo agente y libro de recetas de Ising Calibration GitHub bajo Apache 2.0.