Nvidia щойно відкрила код того, що, можливо, є найпрактичнішим AI-внеском у квантові обчислення на сьогодні. Нова сім’я моделей Ізінга вирішує дві перешкоди, що заважають квантовим процесорам досягти повної корисності: калібрування та корекція помилок. Кюбіти за природою шумні. Хоча сьогоднішні найкращі процесори досягають приблизно однієї помилки на тисячу операцій, практичні застосування вимагають показника, близького до однієї помилки на трильйон. Закриття цієї величезної різниці вимагає зменшення апаратного шуму та виявлення помилок до того, як вони посилюються. Калібрування Ізінга використовує архітектуру візуально-мовної моделі для автоматизації налаштування процесора, скорочуючи дні роботи до годин. Разом із цим, декодування Ізінга застосовує 3D-згорткові нейронні мережі для корекції помилок. У порівнянні з PyMatching, цей комплекс забезпечує декодування на 2,5 рази швидше та на 3 рази точніше. Особливо варто підкреслити широту застосування. Модель калібрування навчалася на надпровідних колах, квантових точках, полонених іонах та нейтральних атомах. Ця багатоплатформна універсальність є ключовою в галузі, де різні апаратні підходи все ще перевіряють свою ефективність. Пропонуючи відкритий фреймворк із NIM-мікросервісами, даними для навчання та можливостями локального розгортання, бар’єр для входу значно знижується. Інститути від Фермілабу до IQM та Корнелла вже приймають цей комплекс. Це вписується в більш широкий тренд: AI та квантові обчислення стають глибоко симбіотичними. AI активно покращує проектування схем та корекцію помилок, тоді як квантові процесори демонструють довгостроковий потенціал для певних AI-завдань. Зближення вже відбувається, хоча квантові системи досі потребують спеціалізованої інфраструктури, що тримає їх переважно в лабораторних умовах. Інструменти, які прискорюють перехід від хрупких кюбітів до надійних обчислень, надають саме ту практичну основу, яку галузь потребує для масштабування #QuantumComputing