テクノロジーとコンピューティングの巨人である Nvidia は、最近、Ising と呼ばれるオープンソースの人工知能モデル ファミリをリリースしました。これは、量子コンピューティングのキャリブレーションとエラー修正に特化した世界初の AI モデル スイートであると同社は主張しています。 NVIDIA は、このモデル ファミリは科学研究機関や企業がより強力な量子コンピューターを構築するのに役立ち、真に有用な実用的なアプリケーションを大規模に実行できるようになると述べています。

量子コンピューターが複雑なアプリケーションを実行するには、システムが数百万量子ビット規模の量子情報ユニットを処理する必要があります。ただし、量子ビット自体は非常に壊れやすく、ノイズ干渉の影響を受けやすく、エラーが発生しやすくなります。量子コンピュータの規模が拡大するにつれて、システムは、計算結果の妥当性を維持するために、動作中にリアルタイムで誤り訂正と微調整を完了し、環境変動を補償できる必要があります。 NVIDIA の創設者兼 CEO のジェンスン・フアン氏は、「AI は量子コンピューティングを実用化する鍵である」と述べています。 Ising 氏の見解では、「AI は量子マシンのコントロール プレーンとなり、量子マシンのオペレーティング システムに相当し、壊れやすい量子ビットをスケーラブルで信頼性の高い量子 GPU システムに変換します。」

イジングという名前は、粒子のスピン間の相互作用を記述し、複雑な物理システムをより簡潔に特徴付けるために使用される物理学の古典的な数学モデルであるイジング モデルに由来しています。今回NVIDIAは2種類のモデルを提供する。1つはリアルタイムエラー訂正に使用され、もう1つは量子システムのキャリブレーションに焦点を当てている。

誤り訂正の観点からは、イジング復号は、ノイズの多い条件下での量子測定値をコヒーレント出力に「復号」する役割を果たします。これは 3 次元畳み込みニューラル ネットワークに基づいており、速度を重視したバージョンと精度を重視したバージョンの 2 つのバージョンを提供します。 Nvidiaは、現在のオープンソース業界で一般的に使用されているエラー修正ツールであるpyMatchingと比較して、Ising Decodingはデコード速度を最大2.5倍向上させ、精度を約3倍向上させることができると主張しています。

キャリブレーションの観点から見ると、イジング キャリブレーションは主に物理学者やエンジニアリング チームを対象としており、量子ハードウェアの制御信号の調整、測定、最適化に使用されます。これらの制御信号には、マイクロ波、レーザー、その他の物理的手段が含まれます。高品質の量子出力は、ノイズ、ハードウェアの不安定性、経時的なパラメーターのドリフトなどの問題に対処するための正確なキャリブレーションに大きく依存します。 NVIDIA によると、イジング キャリブレーションは、量子プロセッサからの測定データを迅速に解釈し、AI エージェントがキャリブレーション プロセスを継続的かつ自動的に完了できるようにする視覚言語モデルです。

Nvidia Quantum 製品ディレクターの Sam Stanwyck 氏は、将来のロードマップについて記者会見で、これら 2 つのリンクが量子システムの拡張を制限する最も差し迫ったボトルネックであるため、同社がデコードとキャリブレーションを最初に開始することを選択したと述べました。同氏はこれら 2 つを「AI 型のワークロード」と表現し、これらの分野への AI の導入は即座に大きな効果をもたらす可能性があると信じていました。ただし、NVIDIA の長期的なビジョンはこれに限定されないことも強調しました。将来的には、AI が量子回路の構築と最適化にも参加できるようになり、デコードとキャリブレーションが量子 GPU スーパーコンピューティング プラットフォームへの道における最初のマイルストーンとなることが期待されています。

現在、イジングデコードとイジングキャリブレーションは企業や科学研究機関で適用され始めています。エラー復号化に関しては、コーネル大学、サンディア国立研究所、カリフォルニア大学サンディエゴ校、カリフォルニア大学サンタバーバラ校、その他の機関が関連モデルの導入を開始しています。キャリブレーションに関しては、Atom Computing、Academia Sinica、EeroQ、IonQ、IQM Quantum Computers、Q‑CTRL などの多くの量子コンピューティング関連企業や研究機関が、システムのデバッグと最適化にすでにイジング キャリブレーションを使用しています。

使用の障壁を下げるために、NVIDIA は、量子コンピューティングのワークフロー例とサポートされるトレーニング データを含む一連の「クックブック」ガイドもリリースし、NVIDIA NIM に基づいたマイクロサービスを提供します。これらのリソースは、開発者がさまざまな量子ハードウェア アーキテクチャに基づいてモデルをカスタマイズ、トレーニング、微調整し、AI 機能を活用しながらローカルの研究環境で実行するとともに、機密の実験データを機関内に保管するのに役立ちます。