Géant de la technologie et de l'informatique Nvidia Corp. a annoncé aujourd'hui la sortie d'Ising, la première famille de modèles d'intelligence artificielle ouverte au monde destinée à l'étalonnage et à la correction d'erreurs de l'informatique quantique.
Nvidia, dont l'activité principale est les unités de traitement graphique qui alimentent l'IA, a déclaré que ces modèles d'IA permettront aux chercheurs et aux entreprises de construire de meilleurs ordinateurs quantiques capables d'exécuter des applications utiles à grande échelle.
Pour créer et exécuter des applications utiles, les ordinateurs quantiques doivent gérer des millions de qubits – les unités de calcul atomiques de l’information quantique. Le problème essentiel est que les qubits sont fragiles, sujets aux erreurs et sensibles au bruit à grande échelle. À mesure que les ordinateurs quantiques se développent, ils doivent être corrigés des erreurs et calibrés en temps réel pour tenir compte des facteurs environnementaux et rester utiles.
« L'IA est essentielle pour rendre l'informatique quantique pratique », a déclaré le fondateur et directeur général Jensen Huang. « Avec Ising, l'IA devient le plan de contrôle – le système d'exploitation des machines quantiques – transformant les qubits fragiles en systèmes GPU quantiques évolutifs et fiables. »
Ising doit son nom au modèle mathématique historique cela a contribué à simplifier la compréhension des systèmes physiques complexes en décrivant comment les particules en interaction, ou spins, s'influencent les unes les autres. Nvidia propose deux modèles : un pour la correction d'erreurs en temps réel et un pour l'étalonnage.
La nécessité d’une correction d’erreur est évidente : elle transforme les systèmes bruyants en résultats cohérents. C'est là qu'intervient Ising Decoding. Le décodage se décline en deux variantes d'un modèle de réseau neuronal convolutif 3D, l'un optimisé pour la vitesse et l'autre pour la précision, qui effectuent un décodage en temps réel pour la correction des erreurs quantiques. Nvidia a déclaré que les modèles offrent jusqu'à 2,5 fois plus de vitesse et trois fois plus de précision que pyMatchingla norme actuelle de l'industrie open source.
Ising Calibration permet aux physiciens de préparer des systèmes en réglant, mesurant et optimisant les signaux de contrôle physiques, tels que les micro-ondes ou les lasers. Cet étalonnage est nécessaire pour garantir des sorties haute fidélité en corrigeant le bruit, l'instabilité matérielle et la dérive des paramètres au fil du temps. Il s'agit d'un modèle de langage de vision capable d'interpréter et de réagir rapidement aux mesures des processeurs quantiques, pilotant des agents d'IA qui automatisent l'étalonnage continu.
La voie à suivre vers de meilleurs ordinateurs quantiques
S'exprimant lors d'une conférence de presse, Sam Stanwyck, directeur des produits quantiques chez Nvidia, a déclaré que la société avait choisi le décodage et l'étalonnage en premier parce qu'ils s'attaquent aux obstacles les plus immédiats à la mise à l'échelle des systèmes quantiques.
Il a décrit les deux comme des « charges de travail façonnées par l'IA », dans lesquelles les modèles peuvent avoir un impact immédiat aujourd'hui, mais a déclaré que la vision à long terme de Nvidia va plus loin. Au fil du temps, la société s’attend à ce que l’IA aide également à construire et à optimiser des circuits quantiques, faisant du décodage et de l’étalonnage les premières étapes d’une voie plus large vers des supercalculateurs évolutifs basés sur des GPU quantiques.
Ising Decoding et Ising Calibration sont déjà adoptés par les entreprises et les organismes de recherche. Le décodage est déployé, entre autres, par l'Université Cornell, les Sandia National Laboratories, l'Université de Californie à San Diego et l'UC Santa Barbara. L'étalonnage est déjà utilisé par Atom Computing, Academia Sinica, EeroQ, IonQ, IQM Quantum Computers, Q-CTRL et d'autres.
De plus, Nvidia a publié un livre de recettes de guides, comprenant des flux de travail d'informatique quantique et des données de formation, ainsi qu'un microservice Nvidia NIM. Cela permettra aux développeurs de personnaliser, de former, d'affiner et de créer des modèles pour différentes configurations matérielles, et de les exécuter localement sur les systèmes des chercheurs afin de protéger les données sensibles.
