أصدرت Nvidia للتو ما قد يكون أبرز مساهمة ذكاء اصطناعي عملية حتى الآن في الحوسبة الكمية. تتعامل عائلة نموذج إيزينغ الجديدة مع العقبتين اللتين تمنعان المعالجات الكمية من تحقيق إمكاناتها الكاملة: المعايرة وتصحيح الأخطاء. الكيوبتات معرضة بطبيعتها للضوضاء. وعلى الرغم من أن أفضل المعالجات الحالية تحقق خطأً واحدًا تقريبًا لكل ألف عملية، فإن التطبيقات العملية تتطلب شيئًا أقرب إلى خطأ واحد في تريليون عملية. سد هذه الفجوة الهائلة يتطلب تقليل ضوضاء الأجهزة والتقاط الأخطاء قبل أن تتراكم. تستخدم معايرة إيزينغ بنية نموذج مرئي-لغوي لأتمتة ضبط المعالج، وتقليص أيام العمل إلى ساعات. وفي الوقت نفسه، تجلب معالجة إيزينغ شبكات عصبية تلافيفية ثلاثية الأبعاد لتصحيح الأخطاء. وبالمقارنة مع PyMatching، توفر هذه المجموعة معالجة أسرع بـ 2.5 مرة وأدق بثلاث مرات. والأمر الملحوظ بشكل خاص هو مدى شموليتها. تم تدريب نموذج المعايرة عبر دوائر فائقة التوصيل، ونقاط كمية، وأيونات محبوسة، وذرات محايدة. هذه المرونة عبر المنصات ضرورية في صناعة لا تزال فيها نُهج الأجهزة المتنوعة تثبت جدواها. من خلال تقديم إطار مفتوح المصدر يشمل خدمات NIM الصغيرة، وبيانات التدريب، وخيارات النشر المحلي، انخفضت حواجز الدخول بشكل كبير. وتقوم بالفعل مؤسسات من فيرمي لاب إلى IQM إلى كورنيل بتبني هذه المجموعة. هذا يتماشى مع نمط أوسع يتمثل في تقارب الذكاء الاصطناعي والحوسبة الكمية بشكل عميق. فالذكاء الاصطناعي يحسن بشكل نشط تصميم الدوائر وتصحيح الأخطاء، بينما تُظهر المعالجات الكمية إمكانات طويلة الأمد لمهام ذكاء اصطناعي محددة. ويتجسد هذا التقارب، حتى مع استمرار حاجة الأنظمة الكمية إلى البنية التحتية المتخصصة التي تحافظ على كونها في الغالب محصورة في المختبرات حاليًا. الأدوات التي تُسرّع الانتقال من الكيوبتات الهشة إلى الحوسبة الموثوقة توفر الأساس العملي الذي تحتاجه الصناعة للتوسع #QuantumComputing