На конференции Quantum Day 14 апреля NVIDIA представила Ising — первое в мире семейство open-source AI-моделей для квантовых процессоров. Ising решает две инженерные задачи, без которых квантовые вычисления остаются демонстрацией: калибровку кубитов и декодирование при коррекции ошибок. По заявлению компании, новые модели работают до 2,5 раз быстрее и 3 раз точнее текущего отраслевого стандарта pyMatching, а время калибровки сокращается с дней до часов.
В семействе две модели. Ising Calibration — vision-language модель на 35 миллиардов параметров, обученная на мультимодальных данных кубитов: она интерпретирует измерения с квантового процессора и в связке с агентом сама настраивает железо под его индивидуальный шум. Ising Decoding — две версии трехмерной сверточной сети, оптимизированные на скорость и на точность; они в реальном времени обрабатывают данные с квантового процессора в реальном времени, чтобы исправлять ошибки до того, как те накопятся. Обе модели поддерживают FP8-квантизацию и интегрируются с CUDA-Q QEC и аппаратным интерконнектом NVQLink, который связывает QPU с GPU.
Самое неожиданное — в бенчмарке QCalEval для задач калибровки. Ising Calibration обходит Gemini 3.1 Pro на 3,27%, Claude Opus 4.6 на 9,68% и GPT 5.4 на 14,5%. То есть специализированная модель на 35 миллиардов параметров, заточенная под одну инженерную задачу, опережает фронтирные универсальные модели — которые на порядки больше. Для индустрии это аргумент в пользу узкоспециализированных открытых моделей в нишах, где данные дорогие, а задача формализуема.
Контекст у проблемы серьезный. Лучшие квантовые процессоры сегодня делают одну ошибку примерно на тысячу операций, а для полезных вычислений нужно довести этот показатель до одной на триллион.
конференция
Nvidia
самит
gemini
runawayllm