NVIDIAは、量子プロセッサのキャリブレーションと量子誤り訂正に対処するために設計されたNVIDIA Isingと呼ばれる新オープンモデルファミリーを発表した。これらは量子ビットのノイズと不安定性が計算の信頼性を低下させている、現在の量子システムのスケーラビリティを制限する主要なエンジニアリング上の主要な二つの課題である。Isingモデルは機械学習を用いてこのプロセスの一部を自動化し、より高速なキャリブレーションサイクルと、実行中の量子誤りのより効率的なデコードを実現することを目的としている。
Isingファミリーは二つの主要コンポーネントで構成される。キャリブレーションモデルは、量子ハードウェアからの測定データを解釈し、ほぼリアルタイムでパラメータを調整するビジョン-言語システムであり、手動介入を削減しキャリブレーションサイクルを短縮する。デコーディングモデルは量子エラー訂正のためのエラーシンドロームを処理する3D畳み込みニューラルネットワークに基づいており、レイテンシまたは精度のどちらかに最適化されたバリアントが存在する。NVIDIAによればこれらのモデルは速度と精度の両面でpyMatchingなどの既存アプローチを上回る性能を発揮し、より実用的なリアルタイム誤り訂正ワークフローを可能にするという。
これらのモデルはオープンソースとして公開されており、ローカルにデプロイしたり特定の量子ハードウェア構成に合わせて適応させたりすることができる。NVIDIAは開発者のモデル統合・ファインチューニングを支援するためのデータセット、ワークフロー例、NIMマイクロサービスも提供している。このシステムはハイブリッド量子古典プログラミング向けのCUDA-Qと、量子プロセッサとGPUを接続するためのNVQLinkと統合されており、誤り訂正や制御ループを古典的な計算ワークロードと並行して実行できる。
量子エコシステムにおける他のアプローチと比較すると、NVIDIA Isingは物理ベースやヒューリスティック手法のみに依存するのではなく、制御およびエラー訂正に汎用AIモデルを活用する方向へのシフトを反映している。pyMatchingやその他のデコーディングライブラリといった従来ツールは高度に最適化されているが、通常は静的であり、異なるハードウェアトポロジーに対して手動チューニングが必要となる。これに対しIsingは異なるノイズパターンやシステム構成に適応できる学習済みモデルを使用する。IBMやGoogleを含む他のベンダーも社内で量子誤り訂正への機械学習の活用を探求してきたが、これらの取り組みは多くの場合プロプライエタリなハードウェアスタックと密結合している一方、NVIDIAはIsingをハードウェア非依存の、複数プラットフォームにまたがって統合できるオープンモデルレイヤーとして位置づけている。
コミュニティの初期反応はその可能性と実際的な課題の両方にフォーカスしている。一部の研究者はこのリリースは量子システムをよりプログラマブルにするための一歩と捉えており、AIベースのキャリブレーションが量子デバイス維持の運用オーバーヘッドを削減できると指摘している。
ユーザーAdel Bucetta氏がシェアした：
ほとんどの人はAIをより良いコードを書くためのものだと思っているが、真のブレークスルーはそもそも何ができるかを変えることから生まれる：誰が量子プロセッサを構築できるようになり、どのように動作するかだ。
一方で、特定のハードウェア構成で学習したモデルが異なるアーキテクチャに効果的に転用できるかどうかといった汎化性に関して疑問を呈する声もある。
Wefaq AhmadTechプロフェッショナル兼AIストラテジストのWefaq Ahmad氏がXでコメントした：
Nvidiaは基本的に量子コンピュータに量子ビットの「オートチューン」を与えました。もし本当にIsingがキャリブレーションを数日から数時間に短縮できるなら、量子の「研究時代」の終わりが見えてきたということでしょうか？
リアルタイム誤り訂正には量子ハードウェアと古典的計算システム間の密結合が必要であることから、レイテンシ制約をめぐる議論も起きている。全体として反応はベンチマーク結果や制御された環境外でのモデルのパフォーマンスに注目しつつ、慎重な興味を示すものとなっている。