摘要：NVIDIA 宣布推出一系列名为 NVIDIA Ising" 的开源模型，用于解决量子处理器校准和量子纠错问题。该系统还与 CUDA-Q" 集成，用于量子-经典混合编程，并通过 NVQLink" 将量子处理器与 GPU 连接起来，使纠错和控制循环可以与经典计算任务并行运行。包括 IBM 和 Google 在内的其他厂商也在内部探索使用机器学习进行量子纠错"，但这些工作通常与其专有硬件栈紧密绑定，而 NVIDIA 则将 Ising 定位为一个与硬件无关的开源模型层，可跨平台集成。

NVIDIA 宣布推出一系列名为 NVIDIA Ising" 的开源模型，用于解决量子处理器校准和量子纠错问题。这是当前量子系统规模化面临的两大工程挑战，因为量子比特中的噪声和不稳定性会降低计算的可靠性。Ising 模型的目标是利用机器学习自动化这一过程的部分环节，从而加快校准周期，并在运行过程中更高效地进行量子错误解码。

Ising 系列包括两个主要组件。校准模型是一个视觉-语言系统，可解读来自量子硬件的测量数据，并在接近实时的情况下调整参数，从而减少人工干预并缩短校准周期。解码模型基于 3D 卷积神经网络，用于处理量子纠错中的错误综合信息，并提供针对延迟或精度优化的不同版本。根据 NVIDIA 的说法，这些模型在速度和准确性上都优于现有方法（如 pyMatching"），从而使实时量子纠错工作流更具可行性。

这些模型以开源形式发布，可以在本地部署，也可以根据特定的量子硬件环境进行调整。NVIDIA 还提供了配套的数据集、工作流示例以及 NIM" 微服务，帮助开发者集成和微调这些模型。该系统还与 CUDA-Q" 集成，用于量子-经典混合编程，并通过 NVQLink" 将量子处理器与 GPU 连接起来，使纠错和控制循环可以与经典计算任务并行运行。

与量子生态中的其他方法相比，NVIDIA Ising 体现出一种转变：从依赖基于物理或启发式的方法，转向使用通用 AI 模型来进行控制和纠错。像 pyMatching" 这样的传统工具以及其他解码库虽然经过高度优化，但通常是静态的，需要针对不同的硬件拓扑进行手动调优。相比之下，Ising 使用可学习的模型，可以适应不同的噪声模式和系统配置。包括 IBM 和 Google 在内的其他厂商也在内部探索使用机器学习进行量子纠错"，但这些工作通常与其专有硬件栈紧密绑定，而 NVIDIA 则将 Ising 定位为一个与硬件无关的开源模型层，可跨平台集成。

社区的早期反馈既关注其潜力，也关注实际挑战。一些研究人员认为，这一发布是迈向让量子系统更具可编程性的一步，并指出基于 AI 的校准有望降低维护量子设备的运维成本。

用户 Adel Bucetta" 表示：

很多人觉得 AI 只是帮你把代码写得更好，但真正的突破，是它在重新定义“什么变得可能”：谁能参与构建量子处理器，以及它到底可以怎么被做出来、怎么运行。

也有人提出了泛化能力方面的疑问，尤其是针对特定硬件环境训练的模型，是否能够有效迁移到不同架构上。

AI 战略专家 Wefaq Ahmad" 在 X 上评论道：

NVIDIA 这是把量子比特的手动调参变成自动校准了。如果 Ising 真能把校准从几天压到几小时，那量子计算的科研时代，是不是要翻篇了？

此外，还有关于延迟约束的讨论，因为实时纠错需要量子硬件与经典计算系统之间的紧密协同。总体来看，反馈体现出一种谨慎的兴趣，重点关注基准测试结果以及这些模型在受控环境之外的表现。

原文链接：

https://www.infoq.com/news/2026/04/nvidia-ising-quantum/