Le géant de la technologie et de l’informatique Nvidia. a annoncé aujourd’hui la sortie d’Ising, une famille de modèles d’intelligence artificielle destinée au calibrage et à la correction d’erreurs en informatique quantique.
Ces modèles d’IA permettront aux chercheurs et aux entreprises de concevoir de meilleurs ordinateurs quantiques capables d’exécuter des applications utiles à grande échelle. À mesure que les ordinateurs quantiques grandissent, ils doivent être corrigés des erreurs et calibrés en temps réel afin de tenir compte des facteurs environnementaux et de rester exploitables.
Ising doit son nom au modèle mathématique emblématique qui a permis de simplifier la compréhension de systèmes physiques complexes en décrivant la manière dont les particules en interaction, ou spins, s’influencent mutuellement. Nvidia fournit deux modèles : l’un pour la correction d’erreurs en temps réel et l’autre pour le calibrage. Ising Decoding réalise le décodage et se décline en deux variantes d’un modèle de réseau neuronal convolutif 3D, l’une optimisée pour la vitesse et l’autre pour la précision, qui assurent un décodage en temps réel pour la correction d’erreurs quantiques. Nvidia affirme que ces modèles offrent jusqu’à 2,5 fois plus de rapidité et trois fois plus de précision que pyMatching,
Par ailleurs, Ising Calibration permet aux physiciens de préparer les systèmes en ajustant, mesurant et optimisant les signaux de contrôle physiques, tels que les micro‑ondes ou les lasers. Ce calibrage est nécessaire pour garantir des sorties de haute fidélité en corrigeant le bruit, l’instabilité matérielle et la dérive des paramètres au fil du temps. Il s’agit d’un modèle vision‑langage capable d’interpréter et de réagir rapidement aux mesures provenant des processeurs quantiques, en pilotant des agents d’IA qui automatisent le calibrage continu. Ces solutions sont déjà déployées dans des centres de recherche et des entreprises.
D’autre part, Nvidia a publié un recueil de guides comprenant des flux de travail en informatique quantique et des données d’entraînement, ainsi qu’un microservice Nvidia NIM. Celui‑ci permettra aux développeurs de personnaliser, entraîner, affiner et créer des modèles pour différentes configurations matérielles, et de les exécuter localement sur les systèmes des chercheurs afin de protéger les données sensibles.
