Hva er NVIDIA Ising, og hvordan driver det kvantedatamaskinering?

Kvantedatamaskiner har blitt et av de mest lovende teknologifeltene, men også et av de mest kompliserte å bringe til produksjon. Selv om selskaper som Google, med sine Pileflis, eller IBM har gjort betydelige fremskritt, fysiske flaskehalser, støy og tekniske utfordringer De forblir enorme og hindrer deres faktiske adopsjon i bransjen.

I denne sammenhengen dukker NVIDIA Ising opp, en ny familie av kunstig intelligens-modeller med åpen kildekode som retter seg direkte mot de mindre glamorøse, men kritiske problemene: kalibrering av kvanteprosessorer og systematisk korrigering av feilVi snakker ikke om et isolert eksperiment, men en strategisk satsing på å gjøre AI til «kontrollplanet» for kvantemaskiner og bringe praktisk kvantedatabehandling nærmere én gang for alle.

Hva er NVIDIA Ising, og hvorfor kalles det det?

NVIDIA Ising er en familie av åpen kildekode-AI-modeller Hovedmålet er designet for å fungere hånd i hånd med kvanteprosessorer (QPU-er) og hybride kvanteklassiske systemer, og hovedmålet er å automatisere og optimalisere to oppgaver som for tiden bruker mye tid og menneskelige ressurser: kontinuerlig kalibrering av QPU-er og dekoding for sanntids kvantefeilkorreksjon.

Navnet Ising er ikke et markedsføringsinnfall: det refererer til Ising-modellenIsing-modellen er en klassisk matematisk modell utviklet i 1925 av Ernst Ising for å studere partikkelsystemer med magnetiske interaksjoner. Denne modellen er grunnleggende i statistisk fysikk for å forstå faseoverganger og oppførselen til komplekse materialer, og den har også blitt et sentralt verktøy for å adressere vanskelige optimaliseringsproblemer i kvantedatamaskineringNVIDIA tar dette konseptet som en metafor: å forenkle svært komplekse fysiske systemer gjennom godt utformede modeller.

I praksis er ikke Ising én enkelt modell, men et komplett sett med modeller, verktøy, data og arbeidsflyter som kan tilpasses ulike typer kvantemaskinvare. Den integreres naturlig med NVIDIA-stakken, spesielt med CUDA-Q (programvareplattform for hybrid kvanteklassisk databehandling) og med sammenkoblingen NVQLink, som direkte kobler QPU-er og GPU-er for å minimere ventetid i feilkontroll og -korreksjon.

Videre tilbys NVIDIA Ising som en åpen og gjenbrukbar teknologi: Modellene er åpen kildekode og har tillatende lisensiering.slik at laboratorier, bedrifter og forskningssentre kan laste dem ned, kjøre dem lokalt, finjustere dem til sine egne arkitekturer og opprettholde full kontroll over sine private data uten å være avhengige av eksterne tjenester hvis de ikke ønsker det.

Hvor passer Ising inn i NVIDIA-modelløkosystemet?

Ising kommer ikke alene, men som en del av en NVIDIAs bredere strategi for å lage vertikale AI-modeller for spesifikke tekniske domener. Selskapet har allerede flere produktfamilier rettet mot ulike områder: Nemotron for agentive AI-systemer, Kosmos for fysisk AI, Isaac for robotikk, Clara y BioNeMo for biomedisin, Apollo for AI-fysikk eller Alpamayo for blant annet selvkjørende kjøretøy.

Med Ising bruker NVIDIA den samme logikken på kvanteverdenen: levere produksjonsklare modeller som dekker de kritiske punktene i en høyspesialisert teknisk stabel. I stedet for å bare tilby maskinvare eller et frittstående bibliotek, er tilnærmingen å levere en sammenhengende pakke med AI, data og verktøy som forvandler en eksperimentell teknologi til et rimelig brukbart system.

Denne vertikale tilnærmingen har en klar tolkning: NVIDIA ønsker å posisjonere seg som broen mellom kvantedatabehandling og GPU-akselerert klassisk databehandlingI stedet for å selge «en kvantebrikke», fokuserer de på å kontrollere programvaren og AI-laget som gjør det mulig å betjene og skalere disse brikkene under virkelige forhold.

Det virkelige problemet med kvantemekanikk: støy, kontroll og repetisjon

Når man diskuterer kvantedatamaskiner, er fokuset vanligvis på antall qubits eller den antatte «kvanteoverlegenheten», men flaskehalsen ligger et annet sted: for å holde qubits stabile, kalibrerte og med håndterbare feilraterQubits, som er i superposisjons- og sammenfiltringstilstander, er ekstremt følsomme for miljøstøy, for temperaturpå grunn av vibrasjoner, maskinvarefeil osv.

Ifølge NVIDIA, og bekreftet av bransjefolk som Sam Stanwyck (selskapets direktør for kvanteprodukter), De beste nåværende kvanteprosessorene gjør omtrent én feil per tusen operasjonerSelv om dette kan høres imponerende ut, er det fortsatt lysår unna det som trengs for praktiske applikasjoner med høy verdi, der feilratene bør reduseres drastisk, ideelt sett til én feil per milliard operasjoner eller enda mindre. Denne situasjonen er også tydelig i utviklingen til selskaper som IBM og andre sentrale aktører i sektoren.

For å oppnå den påliteligheten er det ikke nok å bare legge til flere qubits. Det krever... kvantefeilkorreksjon og kontinuerlig maskinvarekalibreringDette innebærer å behandle terabyte med qubit-målinger «tusenvis av ganger per sekund» med svært krevende klassiske dekodingsalgoritmer, samtidig som parametrene til kvanteprosessoren nesten kontinuerlig justeres for å holde den på det optimale punktet.

Frem til nå har dette arbeidet vært delt mellom team av fysikere som manuelt justerer parametere – dyre, trege og ikke skalerbare – og relativt enkle automatiseringssystemer som ikke lykkes etter hvert som prototypene vokser. Hver økning i antall qubits økte den operasjonelle kompleksiteten dramatisk. Det er nettopp her hvor NVIDIA Ising sikter våpnene sine mot det «skitne arbeidet» med å betjene systemetNei til det pene bildet av prototypen.

Ising-kalibrering: modellen som laboratoriet «leser»

Den første store blokken i familien er Kalibrering av kalibrering, en visjons-språkmodell (VLM) av 35.000 milliarder parametere designet for raskt å tolke målinger som kommer ut av en kvanteprosessor og bestemme hvordan den skal justeres.

Denne VLM-en er trent til å Forståelse av eksperimentelle data fra QPU (grafer, kurver, parametersøkresultater osv.) og oversette dem til kalibreringshandlinger: hvilken komponent som skal justeres, hvilket område som skal utforskes, hvilke parametere som skal optimaliseres, og i hvilken rekkefølge. Det viktigste er ikke bare nøyaktighet, men også det faktum at det integreres enkelt med AI-agenterslik at en ende-til-ende kalibreringsflyt kan bygges uten konstant menneskelig innblanding.

Ifølge NVIDIA oppnår Ising Calibration redusere kalibreringsprosesser som tidligere tok dager med manuelt arbeid til bare noen få timerVidere opprettholder den evnen til kontinuerlig rekalibrering etter hvert som prosessoren blir feiljustert over tid. Dette forvandler en oppgave som tidligere var nesten helt manuell til en industriell, repeterbar og målbar prosess.

Det viktigste underliggende poenget er at AI slutter å være en pryd og blir «nervesystemet» i kvantelaboratorietModellen observerer hva som skjer, foreslår justeringer og koordinerer maskinvarens respons uten behov for et team av spesialister som kontinuerlig finjusterer alt manuelt.

Ising Calibration finner allerede praktisk bruk i organisasjoner som Atom Computing, Academia Sinica, EeroQ, Conductor Quantum, Fermilab, Harvard SEAS, Infleqtion, IonQ, IQM Quantum Computers, The Avansert kvantetestbed ved Lawrence Berkeley National Laboratory, Q-CTRL eller Storbritannias nasjonale fysiske laboratoriumBlant annet viser denne tidlige adopsjonen at det ikke bare er en laboratorieprototype, men et verktøy med umiddelbar driftsmessig innvirkning.

Ising Decoding: 3D-nettverk for å vinne kampen mot feil

Den andre hovedkomponenten er Ising Dekoding, fokusert på kanskje den viktigste delen av hele historien: den dekoding for sanntids kvantefeilkorreksjonPresset her er brutalt: hvis korreksjonen kommer sent, forringes systemet før det kan gjøre noe nyttig.

Ising-dekoding består av to varianter av en 3D-konvolusjonell nevral nettverksmodell (3D CNN-er) designet som en «forhåndsdekoder». En av variantene er optimalisert for Topphastighetmens den andre prioriterer maksimal presisjonDette lar deg velge i henhold til eksperimenttypen eller latensbudsjettet du har.

Disse modellene fungerer med overflatekoder og depolariserende støysom tillater dekoding av feilsyndromer på vilkårlige avstander. NVIDIA tilbyr også et treningsrammeverk basert på PyTorch og CUDA-Q slik at teamene kan tilpasse modellene til andre typer støy og spesifikke konfigurasjoner av kvanteenhetene sine.

Ifølge selskapets data tilbyr Ising Decoding-modeller en Opptil 2,5 ganger raskere ytelse og opptil 3 ganger større nøyaktighet Om pyMatching, den mest brukte åpne dekodingsstandarden til dags dato. Hvis disse tallene stemmer i produksjonsmiljøer, går virkningen langt utover en overskrift: lavere ventetid og høyere nøyaktighet betyr Mindre beregningssløsing, forståelse av feilen og mer ressurser dedikert til å kjøre nyttige algoritmer.

Ising Decoding implementeres eller testes allerede av institusjoner som Cornell University, EdenCode, Infleqtion, IQM kvantedatamaskiner, kvanteelementer, Sandia National Laboratories, SEEQC, UC San Diego, UC Santa Barbara, University of Chicago, University of Southern California og Yonsei-universitetet, blant annet, noe som forsterker ideen om at det kan ende opp med å bli en de facto referanse for åpen kvantefeildekoding.

Åpen kildekode, data og sporbarhet: forpliktelsen til økosystemet

Utover rå ytelse er et av de mest slående aspektene ved NVIDIA Ising hvordan publisereSelskapet slipper ikke bare modellenes vekter, og det er det; det følger med lanseringen med Tillatelseslisenser, dokumentasjon av proveniens, opplæringsmetoder, datasett og verktøy å finjustere, kvantifisere og tilpasse dem.

Denne tilnærmingen har en veldig klar tolkning: hvis kvantedatamaskiner ønsker å bevege seg utover fasen med isolerte laboratorier og spesialbygde prototyper, Det trenger åpne og gjenbrukbare de facto-standarderKalibrering og feilretting har frem til nå vært nærmest hemmelige oppskrifter for hvert laboratorium, en del av deres konkurransefortrinn. Å åpne opp komplette modeller med deres historikk tvinger effektivt frem en viss grad av standardisering.

Isings modeller og ressurser er tilgjengelige på GitHub, Hugging Face og portalen build.nvidia.com, i tillegg til økosystemet til NVIDIA NIM-mikrotjenesternoe som gjør at disse modellene kan distribueres og tilpasses som tjenester klare for integrering i eksisterende arkitekturer. NIM gjør det enkelt å for eksempel tilpasse Ising til en bestemt type QPU eller en bestemt arbeidsflyt uten å måtte trene den på nytt fra bunnen av.

Det bør bemerkes at «Åpen» betyr ikke altruistisk herFor NVIDIA er det å åpne opp Ising en måte å akselerere adopsjonen på, redusere friksjon i akademiske institusjoner og nasjonale laboratorier, og samtidig befeste sin egen CUDA-Q + NVQLink-stabel som standarden som økosystemet dreier seg om. Jo mer Ising brukes, desto vanskeligere blir det å unngå NVIDIAs infrastruktur i hjertet av neste generasjons kvantesystemer.

QPU-GPU-broen: NVQLink og latensbransjen

Ising er designet for å passe perfekt til arkitekturen som NVIDIA har promotert under ideen om «kvante-GPU-superdatabehandling». På den ene siden, CUDA-Q Det fungerer som programvarelaget som orkestrerer hybrid kvanteklassisk databehandling. På den annen side, NVQLink Det er maskinvareforbindelsen som direkte kobler kvantepunktspunkter (QPU-er) og GPU-er for å utveksle data og kontrollere beslutninger med minimal ventetid.

Grunnen er enkel: Nyttig kvantedatamaskin krever ekstremt raske feilkorrigeringsbeslutningerHvis dekodings- og kalibreringsmodellene bruker for lang tid på å behandle informasjonen som kommer fra qubittene, kommer de korrigerende tiltakene for sent, og kvantetilstanden forringes. Å redusere hvert mikrosekund teller.

Ved å flytte tung AI-databehandling (kalibrering, dekoding, kontroll) til GPU-er som er direkte koblet til kvantepunktsuttak, plasserer NVIDIA produktene sine der det er vanskelig: på den kritiske banen for latensDette speiler på en måte hva som skjedde i den tidlige databehandlingens historie: det avgjørende spranget var ikke bare å oppfinne transistoren, men å bygge et økosystem av Pålitelig og repeterbar produksjon, verktøy, programvare og feilretting.

I kvantemekanikk er analogien tydelig: den som kontrollerer den operative «mellomvaren» – laget som oversetter fysisk støy til kontroll- og korrigeringsbeslutninger – kan fange opp mer verdi enn noen som bare viser frem den mest spektakulære prosessorenIsing er en sentral brikke i det stykket, fordi det gjør AI til den praktiske ekvivalenten av en operativsystem for kvantemaskiner.

Innvirkning på markedet og på IT-fagfolk

NVIDIA Ising-presentasjonen har hatt en rask innvirkning ikke bare på den tekniske fronten, men også på den økonomiske fronten. Kort tid etter kunngjøringen, Flere selskaper innen kvantemaskinvare og -tjenester opplevde en betydelig økning i aksjekursene sine.IonQ klatret rundt 14 %, Rigetti Computing 12 %, D-Wave Quantum 11 % og Quantum Computing Inc. nesten 9 %, ifølge data samlet inn av Investing.com.

Disse reaksjonene tyder på at investorer oppfatter Ising som en mekanisme for å forkorte tidslinjen til kommersielt levedyktig kvantemaskinvareAnalysefirmaet Resonance anslår at det globale markedet for kvantedatamaskiner kan overstige 11.000 millioner dollar i 2030Men den veksten avhenger direkte av å løse tekniske utfordringer som skalerbarhet, automatisk kalibrering og feiltolerant feilretting.

For IT-organisasjoner, infrastrukturavdelinger, datavitenskapsteam eller programvareutviklere er Ising også et tydelig signal om hvor bransjen er på vei: konvergensen mellom høyspesialisert AI og svært spesifikke tekniske domenerAkkurat som det har skjedd i andre digitale transformasjoner, vil vi se at AI-løsninger i økende grad blir skreddersydd for hver enkelt bransje, og kvantedatamaskiner vil ikke være noe unntak.

Selskaper som IQM har gått så langt som å beskrive bruken av Ising som et skritt mot en «Agentkalibrering»Systemer der kalibrering utføres automatisk av AI-agenter, noe som eliminerer mye av den manuelle inngripen og lar kvantemaskinvare operere i miljøer som AI-fabrikker uten behov for et team av kvanteeksperter på stedet. Dette kan fullstendig endre profilen til fagfolkene som trengs for å jobbe med denne teknologien.

Parallelt sett presser åpningen av modellen og dens data mot en større åpenhet og fremveksten av reproduserbare referanseverdierI en sektor der markedsføring ofte har overgått den tekniske virkeligheten, kan åpne verktøy for å sammenligne resultater redusere «hypen» og akselerere reell fremgang, noe som tvinger markedsaktørene til å bevise med data hva de lover i pressemeldinger.

Alt i alt er NVIDIA Ising mye mer enn bare et par AI-modeller: Det er et forsøk på å gjøre kunstig intelligens til det effektive operativsystemet for kvantedatamaskiner.Ved å automatisere kalibrering, akselerere feilretting og tilby en åpen stabel som likevel er tett knyttet til NVIDIA GPU-er og programvare, kan denne tilnærmingen forkorte veien til virkelig nyttig kvantedatabehandling betydelig, og definitivt befeste AIs rolle som "hjernen" til disse maskinene.

Relatert artikkel:

Hva er NVIDIA CUDA-X, og hvordan akselererer det AI- og GPU-databehandling?

Isaac

Lidenskapelig forfatter om verden av bytes og teknologi generelt. Jeg elsker å dele kunnskapen min gjennom å skrive, og det er det jeg skal gjøre i denne bloggen, vise deg alle de mest interessante tingene om dingser, programvare, maskinvare, teknologiske trender og mer. Målet mitt er å hjelpe deg med å navigere i den digitale verden på en enkel og underholdende måte.