NVIDIA dévoile des modèles d'intelligence artificielle quantique open-source, l'IA accélère la conception de puces

Auteur : Claude, Shenchao TechFlow

Lecture approfondie de Shenchao : Le 14 avril, NVIDIA a lancé Ising, la première famille de modèles d'IA quantique open source au monde, augmentant la vitesse de décodage de correction d'erreurs de 2,5 fois et la précision de 3 fois par rapport aux normes de l'industrie.

Les actions liées à l'informatique quantique ont toutes bondi en une journée, avec une hausse de 18 % pour IonQ et de 15 % pour D-Wave. Le même jour, le scientifique en chef William Dally a révélé lors du GTC 2026 que l'IA avait réduit le temps de transplantation de la bibliothèque de cellules standard de puces de 8 personnes pendant 10 mois à une seule nuit sur un GPU, avec des résultats de conception supérieurs à ceux obtenus par l'homme.

NVIDIA accélère deux des problèmes d'ingénierie les plus complexes avec l'IA : rendre les ordinateurs quantiques véritablement utilisables et rendre la conception même des GPU plus rapide et meilleure.

Le 14 avril, à l'occasion de la « Journée mondiale de la quantique », NVIDIA a lancé la première famille mondiale de modèles AI open source dédiés au calcul quantique, NVIDIA Ising, entraînant une hausse collective des actions des entreprises liées à la quantique. Parallèlement, le scientifique en chef de l'entreprise, William Dally, a révélé lors du GTC 2026 les dernières avancées de l'IA dans les processus internes de conception de puces de NVIDIA, avec une amélioration de l'efficacité atteignant plusieurs centaines de fois pour une tâche spécifique.

Deux indices pointent vers le même constat : l'IA est en train de passer d'un « outil de couche application » à « l'infrastructure de l'infrastructure », accélérant à la fois les industries en aval (calcul quantique) et l'itération matérielle de l'IA elle-même.

Selon le communiqué de presse d'NVIDIA du 14 avril, la famille de modèles Ising comprend deux domaines de modèles : Ising Calibration et Ising Decoding, ciblant respectivement les deux principaux goulets d'étranglement pour la mise en œuvre du calcul quantique.

Les qubits des processeurs quantiques sont intrinsèquement bruités ; les meilleurs processeurs quantiques actuels commettent environ une erreur toutes les mille opérations. Pour que les ordinateurs quantiques soient pratiquement utiles, le taux d'erreur doit être réduit à moins d'un trillionième.

Ising Calibration est un modèle visuel-linguistique de 35 milliards de paramètres capable d'interpréter automatiquement les données de mesure des processeurs quantiques et de prendre des décisions de calibration, réduisant le processus de calibration qui prenait auparavant plusieurs jours à quelques heures. Ising Decoding est une paire de réseaux de neurones convolutifs 3D (optimisés respectivement pour la vitesse et la précision) utilisés pour le décodage en temps réel en correction d'erreurs quantiques, 2,5 fois plus rapide et trois fois plus précis que le standard open source actuel pyMatching.

Sam Stanwyck, directeur des produits quantiques de NVIDIA, a expliqué lors de la présentation la logique de la stratégie open source : les fabricants de matériel quantique ayant des caractéristiques de bruit différentes, les modèles open source leur permettent d'ajuster localement leurs propres données, améliorant ainsi les performances tout en protégeant les données propriétaires.

Le PDG de NVIDIA, Jensen Huang, a été plus direct dans ses déclarations, affirmant que l'IA devient le plan de contrôle des machines quantiques, transformant les qubits fragiles en systèmes de GPU quantiques évolutifs et fiables.

Selon NVIDIA, plusieurs institutions ont déjà adopté le modèle d'Ising, notamment la School of Engineering and Applied Sciences de l'Université Harvard, le Fermilab, IQM Quantum Computers, le Lawrence Berkeley National Laboratory et le National Physical Laboratory du Royaume-Uni.

Le jour de la publication d'Ising, les actions américaines du secteur de l'informatique quantique ont connu une hausse collective. Selon les données de Yahoo Finance, IonQ a augmenté d'environ 18 %, D-Wave Quantum de 15 % et Rigetti Computing de 12 %.

Ce rallye s’inscrit dans un contexte où les actions liées à l’informatique quantique ont généralement connu un fort recul depuis le début de l’année. Au 14 avril, IonQ avait chuté d’environ 22 %, D-Wave de 35 % et Rigetti de 23 % depuis le début de l’année. Le rebond à deux chiffres de la journée n’a pas modifié la tendance baissière annuelle, mais l’ampleur du mouvement collectif reste remarquable.

Il convient de souligner que les facteurs ayant alimenté cette vague ne se limitent pas à la publication d'Ising. Le même jour, IonQ a annoncé une avancée majeure sur son réseau quantique ainsi qu'un contrat avec la DARPA, tandis que Rigetti a reçu une commande de 8,4 millions de dollars du Centre indien de développement de l'informatique avancée (C-DAC). La combinaison de ces multiples catalyseurs a amplifié l'effet de secteur.

L'agence d'analyse Resonance prévoit que le marché mondial de l'informatique quantique dépassera 11 milliards de dollars d'ici 2030. Dans un rapport publié le même jour, le Quantum Economic Development Consortium (QED-C) indique que le marché quantique mondial a atteint 1,9 milliard de dollars en 2025, avec une augmentation de 14 % du nombre d'employés dans les entreprises purement quantiques.

Ising oriente vers l'accélération des industries externes, tandis qu'NVIDIA utilise l'IA pour redéfinir ses propres processus de conception de puces.

Lors d'une discussion entre William Dally, scientifique en chef de NVIDIA, et Jeff Dean, scientifique en chef de Google, à la GTC 2026, plusieurs cas concrets ont été révélés. Les données les plus frappantes proviennent de la migration de bibliothèques de cellules standard : chaque fois que NVIDIA passe à un nouveau procédé de fabrication semi-conducteur (par exemple, du 7 nm au 5 nm), il faut redessiner et adapter environ 2 500 à 3 000 cellules standard au nouveau procédé, une tâche qui prenait auparavant huit ingénieurs environ dix mois. NVIDIA a développé un outil d'apprentissage par renforcement appelé NVCell, qui peut désormais accomplir cette tâche en une seule nuit sur une seule GPU, avec des cellules produites qui égalent ou surpassent les conceptions humaines en termes de surface, de consommation d'énergie et de latence.

Selon Tom's Hardware, Dally compare ce processus à un « jeu vidéo de correction d'erreurs de conception », exactement le type d'optimisation par essais et erreurs que l'apprentissage par renforcement excelle à réaliser.

À un niveau d'abstraction plus élevé, NVIDIA a développé des modèles de langage spécialisés internes, Chip Nemo et Bug Nemo. Ces modèles ont été affinés à partir de données propriétaires accumulées pendant 30 ans par NVIDIA, couvrant tout le code RTL, les documents de conception matérielle et les spécifications architecturales de tous les GPU de l'entreprise. Selon Dally, les ingénieurs juniors peuvent poser directement des questions à Chip Nemo, évitant ainsi de déranger répétitivement les concepteurs expérimentés. Il décrit Chip Nemo comme « un mentor extrêmement patient ».

Au niveau de l'optimisation des circuits, NVIDIA applique également l'apprentissage par renforcement à des problèmes classiques de conception de circuits, tels que les chaînes de retenue anticipée. Dally affirme que les conceptions produites par l'IA sont « des solutions étranges que les humains n'auraient jamais envisagées, mais qui offrent en pratique une performance supérieure de 20 % à 30 % par rapport aux conceptions humaines ».

Cependant, Dally a également clairement délimité les attentes. Il a déclaré qu'il aspirait fortement à atteindre un état end-to-end, mais qu'il en était encore très éloigné.

La conception actuelle des puces AI d'NVIDIA reste complémentaire et non substitutive. L'IA apporte son soutien à diverses étapes telles que le transfert des cellules standard, la classification et le résumé des bogues, la prédiction du placement et du routage, ainsi que l'exploration de l'espace d'architecture, mais n'a pas encore créé un processus entièrement automatisé de bout en bout. La vision à long terme de Dally consiste en des modèles multi-agents, où différents systèmes AI prennent en charge chacun une étape distincte de la conception, de manière similaire à la répartition des tâches au sein d'une équipe d'ingénieurs humains.

Selon Computer Weekly, Dally et Dean ont également discuté, lors de leur entretien, de l'impact des agents d'IA sur les outils logiciels traditionnels : lorsque les agents d'IA fonctionnent beaucoup plus rapidement que les humains, les outils logiciels conçus pour les utilisateurs humains deviennent un goulot d'étranglement de performance, nécessitant une refonte des outils de programmation aux applications métier.