NVIDIA Ising giới thiệu các quy trình làm việc hỗ trợ bởi AI để xây dựng hệ thống máy tính lượng tử có khả năng chịu lỗi

by Alex Le

NVIDIA Ising là họ mô hình OpenAI đầu tiên trên thế giới để xây dựng bộ xử lý lượng tử, ra mắt với hai miền mô hình: Hiệu chuẩn Ising và Giải mã Ising.

Cả hai đều nhắm đến thách thức cơ bản trong điện toán lượng tử—qubit vốn đã ồn ào. Các bộ xử lý lượng tử tốt nhất mắc lỗi khoảng một lần trong mỗi nghìn thao tác. Để trở thành máy gia tốc hữu ích cho các vấn đề khoa học và doanh nghiệp, tỷ lệ lỗi phải giảm xuống còn một phần nghìn tỷ hoặc cao hơn. AI là con đường hứa hẹn nhất để thu hẹp khoảng cách đó trên quy mô lớn.

Hiệu chuẩn là quá trình tìm hiểu nhiễu trong mỗi bộ xử lý lượng tử và điều chỉnh nó để đạt được hiệu suất tốt nhất có thể. Hiệu chuẩn giảm thiểu lỗi, nhưng do nhiễu trong hệ lượng tử, lỗi phải được sửa trong thời gian thực bằng máy tính cổ điển, nhanh hơn tốc độ tích lũy của chúng. Quá trình này được gọi là giải mã sửa lỗi lượng tử. Cả hiệu chuẩn và giải mã đều đòi hỏi tính toán chuyên sâu và cần các phương pháp cải tiến để thúc đẩy tiến trình. Ising mang lại hiệu suất nâng cao về hiệu chuẩn và giải mã sửa lỗi, sử dụng các kỹ thuật để mở rộng quy mô lên hàng triệu qubit.

NVIDIA Ising cung cấp các mô hình cơ sở mở, khung đào tạo và quy trình làm việc để tinh chỉnh, lượng tử hóa và triển khai. Các mô hình được đào tạo trước mang lại hiệu suất cao nhất ngay lập tức và vì mọi thứ đều mở nên người dùng cũng có thể chuyên về các đặc tính phần cứng và tiếng ồn của riêng mình trong khi vẫn giữ dữ liệu QPU độc quyền tại chỗ.

Trong bài đăng này, chúng tôi đi sâu vào cách NVIDIA Ising cung cấp điểm khởi đầu để người dùng chọn mô hình cơ sở, đào tạo mô hình cơ sở của riêng họ, tinh chỉnh, lượng tử hóa và triển khai quy trình suy luận được tối ưu hóa bất cứ khi nào cần, cải thiện hiệu suất QPU và cung cấp đường dẫn mở rộng quy mô cho Lượng tử- Siêu máy tính GPU có khả năng giải quyết các vấn đề hữu ích.

Gia đình NVIDIA Ising ra mắt với hai mô hình đột phá là:

  • Hiệu chuẩn NVIDIA Ising: MỘT Mô hình ngôn ngữ – thị giác (VLM) để tự động hóa các tác vụ hiệu chuẩn QPU.
  • Giải mã NVIDIA Ising: Bao gồm hai mô hình CNN 3D cho yêu cầu giải mã cần thiết trong quá trình sửa lỗi lượng tử.

Video 1. NVIDIA Ising tăng tốc tính toán lượng tử hữu ích

Hiệu chuẩn NVIDIA Ising

Hiệu chuẩn NVIDIA Ising là một VLM có khả năng hiểu kết quả thí nghiệm khoa học điện toán lượng tử và cách nó so sánh với các xu hướng dự kiến.

VLM này có thể được sử dụng trong quy trình làm việc tác nhân đáp ứng các kết quả đo và chủ động hiệu chỉnh bộ xử lý lượng tử cho đến khi hoạt động của nó nằm trong các thông số kỹ thuật mong muốn.

Mô hình Ising-Calibration-1 được đào tạo dựa trên dữ liệu được tạo ra từ thông tin được cung cấp bởi các đối tác trải rộng trên nhiều phương thức qubit, bao gồm qubit siêu dẫn, chấm lượng tử, ion, nguyên tử trung tính, electron trên Helium và các loại khác chuyên về hiệu chuẩn và điều khiển.

Trong trường hợp không có tiêu chuẩn chuẩn để đánh giá các mô hình hiệu chuẩn lượng tử, NVIDIA đã hợp tác với các đối tác lượng tử để phát triển QCalEval, điểm chuẩn đầu tiên trên thế giới về hiệu chuẩn máy tính lượng tử tác nhân, chứa các đầu ra máy tính lượng tử thực.

Điểm chuẩn này là một bài kiểm tra chấm điểm ngữ nghĩa gồm sáu phần nhằm đánh giá hiệu quả của bất kỳ mô hình nào tại các nhiệm vụ hiệu chuẩn có liên quan. QCalEval đo lường khả năng của mô hình trong việc diễn giải các kết quả thử nghiệm, phân loại kết quả, đánh giá tầm quan trọng của chúng, đánh giá chất lượng phù hợp và các tính năng chính, đồng thời tạo ra các đề xuất bước tiếp theo có thể thực hiện được. Tìm hiểu thêm về các Điểm chuẩn QCalEval, cùng với kiến trúc mô hình và kết quả đánh giá

Ising-Calibration-1 liên tục vượt trội so với các mô hình mở và đóng hiện đại của một loạt các tham s. Như được hiển thị trong Hình 1, Hiệu chuẩn Ising 1 đạt điểm trung bình tốt hơn 3,27% so với Gemini 3.1 Pro, tốt hơn 9,68% so với Claude Opus 4.6 và tốt hơn 14,5% so với GPT 5.4. Tham số 35B VLM phù hợp với các GPU trung tâm dữ liệu như NVIDIA Grace Blackwell và NVIDIA Vera Rubin, và các thẻ tiêu dùng như NVIDIA DGX Spark.

Hình 1. Ising Calibration 1 nâng cao hiệu chuẩn AI và điện toán lượng tử bằng cách vượt trội hơn tất cả các mô hình mở có thể so sánh ngay lập tức, trên điểm chuẩn QCalEval

Với các Bộ công cụ đại lý NVIDIA NeMo, các nhà phát triển có thể xây dựng các tác nhân tích hợp với nhiều mô hình khác nhau để tự động hóa quá trình hiệu chuẩn. Sử dụng phương pháp này với mô hình Ising-Calibration-1, các nhà phát triển có thể tự động hóa hiệu quả quy trình hiệu chuẩn với sự giám sát tối thiểu của con người.

Các đối tác của NVIDIA đã chứng minh sự tích hợp của quy trình làm việc tác nhân này trong một loạt các ngăn xếp phần mềm hiệu chuẩn và điều khiển cũng như thông qua các tác nhân mã hóa phổ biến, như Coda, Cursor hoặc Claude Code.

Tìm hiểu thêm về cách triển khai Ising-Calibration-1 với một tác nhân bằng cách kiểm tra bản thiết kế trên GitHub.

Giải mã NVIDIA Ising

Sử dụng khung đào tạo NVIDIA Ising Decoding, các nhà xây dựng, vận hành và phát triển bộ giải mã QPU có thể đào tạo các bộ giải mã AI CNN 3D nhỏ. Các hoạt động thời gian thực có quy mô trong cả không gian và thời gian giúp cải thiện độ trễ và tỷ lệ lỗi logic. Những bộ giải mã trước này tăng tốc và cải thiện độ chính xác của bộ giải mã bằng cách xử lý một lượng lớn lỗi hội chứng cục bộ. Họ cũng có thể mở rộng quy mô theo khoảng cách mã tùy ý, giúp các nhóm triển khai bộ giải mã sửa lỗi lượng tử sẽ mở rộng quy mô bằng QPU của họ cho đến phẫu thuật mạng.

Người dùng chỉ cần xác định mô hình nhiễu của họ, hướng của mã bề mặt được xoay và độ sâu mô hình (sâu hơn thì chính xác hơn). Khung đào tạo sau đó sử dụng thư viện CuStabilizer bên trong NVIDIA cuQuantum và PyTorch để tạo ra dữ liệu đào tạo tổng hợp và đào tạo một CNN 3D tối ưu hóa hiệu suất giải mã cho nhiệm v. Người dùng cũng có thể chọn nhiều hoặc ít lớp hơn, điều này tạo ra sự đánh đổi về thời gian chạy và độ chính xác. Mô hình CNN tốt nhất phụ thuộc vào khoảng cách mã, tỷ lệ lỗi vật lý, hiệu quả của bộ giải mã toàn cầu và ngân sách độ trễ khứ hồi.

Độ chính xác hoặc tốc độ: chọn mô hình cơ sở phù hợp

Hai ví dụ về mô hình cơ sở, được tối ưu hóa về độ chính xác hoặc tốc độ, có sẵn trên HuggingFace.

Ising-Decoder-SurfaceCode-1-Fast có ít lớp hơn, trường tiếp nhận là 9 và được đào tạo về khối lượng đầu vào có kích thước 9x9x9 (mặc dù khối lượng đầu vào tùy ý có thể được sử dụng trong suy luận). Mô hình này có khoảng 912.000 tham số. Do kích thước nhỏ, nó chạy hiệu quả trên GPU nhưng cung cấp ít cải thiện hơn cho tỷ lệ lỗi logic (LER) so với một mô hình lớn hơn. Bộ tiền giải mã nhanh cộng với PyMatching nhanh hơn 2,5 lần so với PyMatching và chính xác hơn 1,11 lần ở d = 13 cho p = 0,003.

Ising-Decoder-SurfaceCode-1-Chính xác có nhiều lớp hơn, trường tiếp nhận là 13 và được đào tạo về khối lượng đầu vào có kích thước 13x13x13. Mô hình này có khoảng 1,79 triệu tham số. Với kích thước lớn hơn, nó có thể sửa các chuỗi lỗi lớn hơn so với bộ giải mã Fast, nhưng mất nhiều thời gian hơn để chạy. Miễn là tốc độ từ đầu đến cuối này nằm trong phạm vi mong muốn cho QPU mục tiêu, thì sự cải thiện lớn về LER có thể xứng đáng với chi phí thời gian chạy bổ sung. Bộ giải mã trước chính xác cộng với PyMatching nhanh hơn 2,25 lần so với PyMatching và chính xác hơn 1,53 lần so với PyMatching cho d = 13 tại p = 0, 003

Hình 2 cho thấy sự cân bằng giữa các mô hình nhanh và chính xác, so với đường cơ sở khớp hoàn hảo trọng lượng tối thiểu (MWPM). Nó cho thấy chế độ lý tưởng để triển khai mô hình tiền giải mã với một số tỷ lệ lỗi vật lý và khoảng cách mã. Ví dụ, mô hình chính xác có thể mang lại sự cải thiện 3x trong LER tại d = 31 cho p = 0, 003, khi được đào tạo trên dữ liệu d = 13.

Hình 2. Bộ giải mã trước nhanh và chính xác chạy trên NVIDIA DGX GB300 với PyMatching chạy trên CPU NVIDIA Grace Neoverse-V2

Cách tiếp cận này cải thiện LER và độ trễ trên nhiều mô hình nhiễu và hỗ trợ các bộ giải mã Union Find, so khớp tương quan và học máy làm bộ giải mã toàn cầu, cho phép các chiến lược sửa lỗi lượng tử có khả năng mở rộng hơn.

Chúng tôi cũng đã phát triển một API thời gian thực được xây dựng trên NVIDIA CUDA-Q QEC, CUDAQ-Thời gian thực, và NVIDIA NVQLink, được thiết kế để cung cấp độ trễ thấp cần thiết cho điện toán lượng tử. Chúng tôi đã chỉ ra rằng đối với mô hình Chính xác + PyMatching, GB300, FP16 Precision, tỷ lệ lỗi vật lý là 0,003, 104 vòng, mã bề mặt d = 13, chúng tôi có thể đạt được 2,33 μs /vòng, cung cấp tốc độ tăng tốc 2,25x và cải thiện 1,53x trong LER.

Chúng tôi dự kiến rằng, với 13 GPU GB300, độ chính xác FP8, tỷ lệ lỗi vật lý là 0,003, 1000 vòng, Mã bề mặt d = 13, mô hình nhanh có thể đạt được 0,11 μs /vòng. Kiến trúc mô hình tiền giải mã này được thiết kế để tăng tốc và cải thiện độ chính xác của bộ giải mã, đưa chúng ta đến gần hơn với điện toán lượng tử có khả năng chịu lỗi hữu ích. Đọc thêm trong bài Blof của chúng tôi CUDA-Q QEC .

Tìm hiểu thêm về Kiến trúc mô hình NVIDIA Ising Decoder và khám phá một loạt các phân tích và kết quả.

Bắt đầu xây dựng với NVIDIA Ising open resources

Các NVIDIA Ising được hoàn toàn mở. Trọng lượng, khung đào tạo, dữ liệu, điểm chuẩn và công thức được cung cấp để cho phép người khác sửa đổi, triển khai, đào tạo và tinh chỉnh các mô hình và biến thể của riêng họ cho QPU cụ thể của họ.

Model weights

Điểm kiểm tra tham số đầy đủ cho Hiệu chuẩn Ising 1 và Bộ giải mã Ising SurfaceCode 1 có sẵn trên Hugging Face, với Ising Calibration 1 cũng có sẵn NVIDIA NIM và NVIDIA Build. Các Giấy phép mô hình mở NVIDIA cung cấp cho các nhà xây dựng và vận hành QPU sự linh hoạt để duy trì kiểm soát dữ liệu và triển khai ở mọi nơi.

Training framework

NVIDIA đang phát hành một khung đào tạo hoàn chỉnh cho Bộ giải mã Ising SurfaceCode 1 điều đó cho phép người dùng tạo dữ liệu tổng hợp với thư viện NVIDIA cuQuantum, NVIDIA cuStabilizer trên bay, trong khi đào tạo với PyTorch. Khung này cho phép các nhà phát triển tạo ra các mô hình bộ giải mã phù hợp với đặc tính nhiễu QPU cụ thể của họ.

Deployment recipes

Cookbook và ví dụ sẵn sàng sử dụng có sẵn cho các công cụ suy luận chính, mỗi công cụ đều có mẫu cấu hình, hướng dẫn điều chỉnh hiệu suất và tập lệnh tham chiếu:

  • Giải mã thời gian thực là một ví dụ về chạy giải mã trước thời gian thực với Bộ giải mã SurfaceCode 1 và PyMatching bằng NVIDIA TensorRT trong CUDA-Q QEC.
  • Đào tạo một bộ giải mã với Ising-Decoding, cuStabilizer và PyTorch và lượng tử hóa nó.
  • Chất hiệu chuẩn lượng tử là tập lệnh triển khai quy trình làm việc tác nhân bằng Ising Calibration 1 với Bộ công cụ tác nhân NVIDIA Nemo để nhanh chóng thiết lập tự động hóa thí nghiệm hiệu chuẩn lượng tử.

Công thức tinh chỉnh và lượng tử hóa

Khám phá sách dạy nấu ăn tùy chỉnh NVIDIA Ising để lượng tử hóa hoặc tinh chỉnh cho một miền cụ thể (LoRA/SFT) hoặc nâng cao khả năng suy luận tác nhân của nó (GRPO/DAPO):

Mở bộ dữ liệu và điểm chuẩn QCalEval

NVIDIA Ising Calibration 1 được xây dựng dựa trên dữ liệu QPU thực được cung cấp bởi các đối tác và cộng tác viên. Một tiêu chuẩn hiệu chuẩn lượng tử ngữ nghĩa cũng đã được phát hành để đánh giá hiệu quả của mô hình cho nhiệm vụ này.

Bắt đầu

NVIDIA Ising có sẵn với các tài nguyên sau để bắt đầu:

____
Bài viết liên quan
TAG: , ,