NVIDIA wprowadza Ising – AI jako system operacyjny dla procesorów kwantowych

2 godzin temu
Zdjęcie: Nvidia Ising


W wyścigu o supremację kwantową NVIDIA wykonuje ruch, który może zmienić układ sił nie tylko w laboratoriach, ale i w centrach danych. Zaprezentowana właśnie rodzina modeli NVIDIA Ising to pierwsza na świecie otwarta próba zaprzęgnięcia sztucznej inteligencji do rozwiązania „pięty achillesowej” komputerów kwantowych: ich ekstremalnej niestabilności.

Dzisiejsze procesory kwantowe (QPU) są technologicznie imponujące, ale biznesowo nieużyteczne. Generują błąd średnio raz na tysiąc operacji. Aby technologia ta mogła realnie konkurować z tradycyjnym krzemem w farmacji czy logistyce, wskaźnik ten musi spaść do poziomu jednego błędu na miliard. Jensen Huang, szef Nvidii, stawia sprawę jasno: AI nie jest tu tylko dodatkiem, ale niezbędnym „systemem operacyjnym”, który ma zarządzać tą kruchą architekturą.

Architektura zamiast obietnic

Zamiast budować własny komputer kwantowy, NVIDIA pozycjonuje się jako dostawca warstwy krytycznej. Rodzina Ising składa się z dwóch wyspecjalizowanych narzędzi, które uderzają w najwęższe gardła branży. Model Ising Calibration wykorzystuje technologię widzenia komputerowego do automatyzacji ustawień procesora. To, co dotychczas zajmowało fizykom całe dni żmudnej pracy, AI potrafi skrócić do kilku godzin.

Z kolei Ising Decoding to sieć neuronowa 3D zaprojektowana do korekcji błędów w czasie rzeczywistym. Wyniki są obiecujące. W porównaniu do obecnego standardu rynkowego, pyMatching, rozwiązanie Nvidii wykazuje trzykrotnie wyższą dokładność i 2,5-krotnie większą prędkość. W świecie, gdzie milisekundy opóźnienia decydują o rozpadzie stanu kwantowego, taka przewaga ma znaczenie fundamentalne.

Strategia otwartych drzwi

Decyzja o udostępnieniu modeli w formacie open source to przemyślany ruch biznesowy. Integrując Ising z istniejącą platformą CUDA-Q oraz łączem sprzętowym NVQLink, „zielony gigant” tworzy ekosystem, od którego trudno będzie się odciąć. Firmy i uniwersytety mogą trenować te modele na własnych danych, zachowując pełną kontrolę nad infrastrukturą, co jest najważniejsze dla sektorów takich jak cyberbezpieczeństwo czy finanse.

Idź do oryginalnego materiału