Ipinakilala ng NVIDIA ang mga open-source na quantum AI model, ang AI ay nagpapabilis sa disenyo ng chip

May-akda: Claude, Deep潮 TechFlow

DeepChaoyu导读: Novalda ay naglunsad noong Abril 14 ng Ising, ang unang bukas-sourcem na pamilya ng quantum AI sa buong mundo, na nagpapabilis ng 2.5 beses ang bilis ng pag-decode ng error correction at nagpapataas ng 3 beses ang karampatan kumpara sa industriya.

Ang mga stocks na may kinalaman sa quantum ay umabot ng malaking pagtaas sa araw na iyon, tumataas ang IonQ ng 18% at ang D-Wave ng 15%. Sa parehong araw, inihayag ni William Dally, ang pangunahing siyentipiko, sa GTC 2026 na ang AI ay nakapagpabilis sa paglipat ng standard cell library ng chip mula sa 8 tao sa 10 buwan hanggang sa isang GPU lamang na natapos ito sa isang gabi, at mas mahusay ang resulta kaysa sa tao.

Ang NVIDIA ay gumagamit ng AI upang mabilisin ang dalawang pinakamahirap na inhinyeriya: gawing tunay na magagamit ang quantum computer at gawing mas mabilis at mas maganda ang disenyo ng GPU mismo.

Noong Abril 14, “Araw ng Quantum sa Mundo,” inilabas ng NVIDIA ang unang bukas na pamilya ng AI model para sa quantum computing, ang NVIDIA Ising, na nagresulta sa pagtaas ng lahat ng mga aksyon na kaugnay sa quantum. Sa parehong panahon, inilahad ni William Dally, pangunahing siyentipiko ng kumpanya, sa GTC 2026 ang pinakabagong pag-unlad sa paggamit ng AI sa proseso ng pagdisenyo ng mga chip ng NVIDIA, kung saan tumataas ang efisensiya ng isang gawain sa sukat na mga sandaang beses.

Dalawang patnubay na nagtuturo sa iisang pagtataya: Ang AI ay nagiging mula sa “mga kasangkapan sa antas ng aplikasyon” hanggang sa “pundasyon ng pundasyon,” na nagpapabilis sa mga mababang industriya (quantum computing) at sa sariling hardware na pagpapabuti ng AI.

Ayon sa press release ng NVIDIA noong Abril 14, ang unang mga modelo sa pamilya ng Ising ay naglalaman ng dalawang domain: Ising Calibration at Ising Decoding, na nakatuon sa dalawang pangunahing hadlang sa pagpapatupad ng quantum computing.

Ang qubit ng quantum processor ay naturally may ingay; ang pinakamahusay na quantum processor sa kasalukuyan ay nagkakaroon ng isang pagkakamali sa bawat libong operasyon. Upang maging praktikal ang quantum computer, kailangang bawasan ang rate ng pagkakamali sa ilalim ng isang trilyon.

Ang Ising Calibration ay isang visual language model na may 35 bilyong parameter na kaya mag-automatic na i-interpret ang mga measurement data ng quantum processor at gumawa ng mga desisyon para sa calibration, na nagpapabawas sa dating ilang araw na proseso ng calibration hanggang sa ilang oras lamang. Ang Ising Decoding naman ay isang pares ng 3D convolutional neural network models (na nag-o-optimize sa bilis at precision) para sa real-time decoding sa quantum error correction, na 2.5 beses na mas mabilis at 3 beses na mas tumpak kaysa sa kasalukuyang open-source industry standard na pyMatching.

Ipinaliwanag ni Sam Stanwyck, Director for Quantum Products ng NVIDIA, ang lohika ng open-source strategy sa pagpapakilala: iba-iba ang mga katangian ng ingay ng bawat tagapaglikha ng quantum hardware, at pinapayagan ng open-source model na i-micro-adjust sila sa kanilang sariling lokal na data, na nagpapabuti sa performance habang pinoprotektahan ang proprietary na data.

Mas direkta ang pahayag ni Jensen Huang, CEO ng NVIDIA. Sa kanyang pahayag, sinabi niya na ang AI ay nagsisiging kontrol ng mga quantum machine, na nagpapalit ng mga qubit na mahina sa mga scalable at mapagkakatiwalaang quantum GPU system.

Ayon sa NVIDIA, ang ilang mga institusyon ay nagsimula nang gamitin ang Ising model, kabilang ang Harvard School of Engineering and Applied Sciences, Fermilab, IQM Quantum Computers, Lawrence Berkeley National Laboratory, at UK National Physical Laboratory.

Sa araw ng paglalabas ni Ising, ang mga stocks ng quantum sa US market ay nakaranas ng isang malaking pagtaas nang sabay-sabay. Ayon sa data ng Yahoo Finance, tumataas si IonQ ng halos 18%, si D-Wave Quantum ng 15%, at si Rigetti Computing ng 12%.

Ang konteksto ng pagtaas na ito ay ang pangkalahatang malalim na pagbaba ng mga stocks ng quantum mula sa simula ng taon. Hanggang sa Abril 14, bumaba ang IonQ ng humigit-kumulang 22%, ang D-Wave ng 35%, at ang Rigetti ng 23%. Ang double-digit na pagbabalik sa araw na iyon ay hindi nagbago sa downward trend para sa taon, ngunit ang sukat ng kanilang magkakasamang paggalaw ay patuloy na nakakatutok.

Dapat tandaan na ang mga drive ng paggalaw na ito ay hindi lamang ang paglabas ni Ising. Ipinahayag din ni IonQ sa parehong araw ang mga pag-unlad sa quantum network at isang kontrata sa DARPA, habang mayroon din si Rigetti ng isang order na $8.4 milyon mula sa Indian Centre for Development of Advanced Computing (C-DAC). Ang pagkakasundo ng maraming catalyst ay nagpapalakas sa epekto ng sektor.

Inirerekahat ng analitikal na institusyon na Resonance na lalampas ang 1.1 bilyong dolyar ang sukat ng pandaigdigang merkado ng quantum computing hanggang 2030. Sa isang ulat na inilabas ng Quantum Economic Development Consortium (QED-C) sa parehong araw, ang pandaigdigang quantum market noong 2025 ay umabot na sa 190 milyong dolyar, kasama ang 14% pagtaas sa bilang ng mga empleyado sa mga kompanyang quantum lamang.

Ang Ising ay nagpapabilis sa panlabas na industriya, habang ginagamit ng NVIDIA ang AI upang muli pang-disenyo ang kanilang sariling proseso ng pagdisenyo ng chip.

Sa isang talakayan sa GTC 2026 sa pagitan ni William Dally, pangunahing siyentipiko ng NVIDIA, at ni Jeff Dean, pangunahing siyentipiko ng Google, inilahad ang ilang espesipikong kaso. Ang pinakamalakas na datos ay mula sa pagpapalit ng standard cell library: bawat beses na lumilipat ang NVIDIA sa isang bagong semiconductor process (tulad ng mula sa 7nm papunta sa 5nm), kailangan ng mga 2500 hanggang 3000 standard cells na muling disenyo para sa bagong proseso, na dati ay nangangailangan ng 8 na inhinyero na magtrabaho nang halos 10 buwan. Gumawa ang NVIDIA ng isang reinforcement learning tool na tinatawag na NVCell, na ngayon ay nakakakompleto ang lahat sa isang GPU sa isang gabi, at ang mga resultang cell ay tumutugma o kahit na mas mabuti kaysa sa mga disenyo ng tao sa mga sukat tulad ng sukat, pagkawala ng enerhiya, at latency.

Ayon sa Tom's Hardware, hinambing ni Dally ang proseso sa isang "video game na nagpapabuti ng mga pagkakamali sa mga patakaran ng disenyo," kung saan ang reinforcement learning ay mahusay sa ganitong uri ng pag-optimize sa pamamagitan ng pagsubok at pagkakamali.

Sa mas mataas na antas ng abstrak, binuo ng NVIDIA ang kanilang sariling espesyalisadong malalaking modelo ng wika, ang Chip Nemo at Bug Nemo. Ang mga modelo na ito ay tinutukso batay sa mga eksklusibong data na nakalap ng NVIDIA sa loob ng 30 taon, na naglalaman ng lahat ng RTL code, dokumentasyon ng disenyo ng hardware, at mga spesipikasyon ng arkitektura ng lahat ng GPU sa kasaysayan ng kumpanya. Ayon kay Dally, ang mga kasanayan na inhinyero ay maaaring direktang magtanong kay Chip Nemo, na naglilipat sa pagpapakita sa mga karanasan na disenyo. Ipinakilala niya ang Chip Nemo bilang “isang napakasiguradong guro.”

Sa antas ng circuit optimization, ginamit ni NVIDIA ang reinforcement learning sa mga klasikong problema sa disenyo ng circuit tulad ng carry-lookahead chain. Ayon kay Dally, ang mga disenyo na nilikha ng AI ay “kumpleto mong kakaibang mga solusyon na hindi maiisip ng mga tao, ngunit mas maganda ang praktikal na performance nito ng 20% hanggang 30% kumpara sa mga disenyo ng tao.”

Gayunpaman, tiniyak din ni Dally ang mga hangganan ng mga inaasahan. Sinabi niya na lubos niyang nais na makamit ang end-to-end state, ngunit malayo pa siya sa layuning iyon.

Ang kasalukuyang AI chip design ng NVIDIA ay patuloy na isang suporta kaysa isang pagpalit. Ang AI ay nagtatrabaho nang hiwalay sa iba’t ibang yugto tulad ng standard cell placement, bug classification at summary, placement and routing prediction, at architecture space exploration, ngunit hindi pa nabubuo ang isang kompletong end-to-end automated process. Ang pangmatagalang direksyon na isinip ng Dally ay ang paggamit ng multi-agent models, kung saan ang iba’t ibang AI system ay magkakaroon ng sariling responsibilidad sa iba’t ibang bahagi ng disenyo, katulad ng pagkakahati ng mga gawain sa isang tim ng inhinyero.

Ayon sa Computer Weekly, pinag-usapan din ni Dally at Dean ang epekto ng AI agents sa tradisyonal na mga tool sa software: kapag mas mabilis ang pagpapatakbo ng AI agents kaysa sa mga tao, ang mga tradisyonal na tool sa software na disenyo para sa mga gumagamit na tao ay magiging bottleneck sa performance, at kailangang muling disenyo ang lahat mula sa mga tool sa pag-program hanggang sa mga aplikasyon sa negosyo.