NVIDIA Ising: первые открытые AI-модели для квантовых компьютеров

«AI становится операционной системой квантовых машин» — так Дженсен Хуанг сформулировал суть нового релиза NVIDIA. 14 апреля 2026 года компания представила Ising — первое в мире семейство открытых AI-моделей, спроектированных специально для квантовых процессоров. Не для квантового симулятора, не для классической задачи, которую можно решить через квантовый алгоритм — а для управления самим железом квантовых компьютеров.

Зачем это вообще нужно

Кубит — крайне капризная штука. Лучшие квантовые процессоры сегодня делают ошибку примерно раз в тысячу операций. Чтобы решать на них реально полезные задачи (а не демонстрировать quantum advantage на синтетических бенчмарках), частоту ошибок нужно опустить до одной на триллион — то есть улучшить на 9 порядков.

Закрыть этот разрыв напрямую — за счёт «более чистого железа» — невозможно. Физические ограничения сверхпроводящих и нейтрально-атомных систем известны. Поэтому весь roadmap fault-tolerant quantum computing построен вокруг двух процессов: калибровка (определение и подстройка под текущий профиль шума процессора) и квантовая коррекция ошибок (real-time исправление сбоев классическим компьютером быстрее, чем они накапливаются). Оба процесса вычислительно тяжёлые. Оба упираются в производительность алгоритмов.

NVIDIA утверждает, что AI-модели здесь могут дать прорыв. Ising — попытка это доказать.

Что нового

Семейство стартует с двух доменов моделей.

Ising Calibration

Vision-language модель на 35 млрд параметров, обученная на данных от партнёров NVIDIA, работающих с разными типами кубитов: сверхпроводящими, квантовыми точками, ионами в ловушках, нейтральными атомами, электронами на гелии. Модель умеет интерпретировать измерения с квантового процессора и сравнивать их с ожидаемыми трендами — то есть «читать» графики калибровки как человек-инженер.

Внутри агентного workflow эта VLM может непрерывно автоматизировать калибровку процессора без вмешательства оператора, сокращая процесс с дней до часов.

NVIDIA одновременно с моделью выпустила QCalEval — первый в мире бенчмарк для оценки моделей квантовой калибровки. Состоит из шести семантических заданий: интерпретация результатов эксперимента, классификация исходов, оценка значимости, проверка качества подгонки, выделение ключевых признаков, генерация actionable-рекомендаций.

Ising Calibration 1 на этом бенчмарке обходит закрытые модели:

Модель	Среднее преимущество над Ising Calibration 1
Gemini 3.1 Pro	-3.27%
Claude Opus 4.6	-9.68%
GPT 5.4	-14.5%

Это нетипичная картина — frontier-модели обычно бьют специализированные. Здесь обратная ситуация: домен настолько узкий и требует настолько специфических данных, что дообучение на партнёрских данных QPU перевешивает общую мощность Gemini и Claude. Уроки те же, что для Codestral в коде или Med-PaLM в медицине: специализация работает.

Ising Decoding

Два варианта 3D CNN-моделей для real-time декодирования при квантовой коррекции ошибок: Fast (быстрый) и Accurate (точный).

• Ising-Decoder-SurfaceCode-1-Fast: ~912 000 параметров, поле обзора 9, обучен на блоках 9×9×9. Быстрый и компактный.
• Ising-Decoder-SurfaceCode-1-Accurate: ~1.79 млн параметров, поле обзора 13, обучен на 13×13×13. Медленнее, но заметно точнее.

Бенчмарки в сравнении с PyMatching (текущий open-source стандарт декодирования) при d=13 и физической частоте ошибок p=0.003:

Декодер	Скорость vs PyMatching	Точность vs PyMatching
Fast + PyMatching	2.5x быстрее	1.11x точнее
Accurate + PyMatching	2.25x быстрее	1.53x точнее

При коде расстояния d=31 (значительно больше обучающего распределения) Accurate-модель даёт 3-кратное улучшение logical error rate. Это важно: модель обобщается за пределы того, на чём её обучали.

NVIDIA также показала проектную оценку: 13 GPU GB300, FP8-квантование, p=0.003, 1000 раундов, surface code d=13 — Fast-модель достигает 0.11 микросекунды на раунд декодирования. Для контекста: real-time коррекция требует укладываться в наносекундный-микросекундный бюджет, и текущие классические декодеры в этом регионе почти не работают.

Кто уже использует

NVIDIA выкатила релиз с впечатляющим списком партнёров. Калибровка уже в работе у Atom Computing, Academia Sinica, EeroQ, Conductor Quantum, Fermi National Accelerator Laboratory, Harvard School of Engineering, Infleqtion, IonQ, IQM Quantum Computers, Lawrence Berkeley National Lab, Q-CTRL и UK National Physical Laboratory.

Декодирование разворачивают Cornell University, EdenCode, Infleqtion, IQM, Quantum Elements, Sandia National Labs, SEEQC, UC San Diego, UC Santa Barbara, Чикагский университет, USC и Yonsei University.

Это не «партнёры в смысле пресс-релиза» — это реальные группы, которые уже встраивают модели в свои стеки. Когда у NVIDIA получается собрать такой список к моменту запуска, это значит, что компания год работала с ними под NDA.

Что включено в открытый релиз

NVIDIA подчёркивает, что Ising — полностью open: веса, обучающий фреймворк, данные, бенчмарки, рецепты тонкой настройки. Лицензия — NVIDIA Open Model License (Apache 2.0 для тренировочного фреймворка). Доступ:

• Веса моделей — на Hugging Face (nvidia/NVIDIA-Ising-Calibration-1, nvidia/Ising-Decoder-SurfaceCode-1-Accurate)
• Ising Calibration также доступен через NVIDIA NIM и build.nvidia.com
• Тренировочный фреймворк Decoder — на GitHub: NVIDIA/Ising-Decoding
• Agentic workflow для калибровки — NVIDIA/Quantum-Calibration-Agent-Blueprint
• Бенчмарк QCalEval — huggingface.co/datasets/nvidia/QCalEval

Поверх этого Ising интегрируется с CUDA-Q (платформа гибридных квантово-классических вычислений) и NVQLink (QPU-GPU интерконнект для real-time управления).

Что это меняет

Главное — NVIDIA фиксирует своё место в квантовом стеке как поставщика классической части. Не делает квантовый процессор сама, но обеспечивает GPU-инфраструктуру и AI-модели, которые превращают сырые qubits в работающие системы. Это та же логика, что у NVIDIA в робототехнике (Isaac GR00T) и автономном вождении (Alpamayo): продавать «control plane», пока другие делают железо.

Для квантовых компаний — IQM, Atom Computing, Infleqtion и десятков других — это бесплатный апгрейд критической инфраструктуры. Раньше каждая команда писала свой декодер и свою систему калибровки; теперь есть baseline, который сразу обходит существующие open-source инструменты. Конкуренция в индустрии смещается от «у кого лучший декодер» к «у кого лучшее железо и кто эффективнее использует общий tooling».

Для рынка в целом релиз — сигнал, что квантовые компьютеры действительно выходят из лабораторной фазы. По прогнозу аналитического агентства Resonance, рынок к 2030 году превысит $11 млрд. NVIDIA явно хочет, чтобы значимая доля этого пирога прошла через её GPU-инфраструктуру.

Кому подойдёт

Квантовым исследователям и QPU-вендорам — обязательно к освоению. Базовые модели стоит хотя бы протестировать на своём железе, а на больших задачах — дообучить под свои noise-профили.

ML-инженерам без квантового бэкграунда — повод познакомиться с QEC и калибровкой как с новой нишей. NVIDIA выпустила полный cookbook с обучающими материалами; порог входа сейчас ниже, чем будет через год.

Стартапам в области quantum software — Ising снижает зависимость от проприетарного tooling от вендоров оборудования. Можно строить продукт поверх открытого стека.

Энтузиастам и студентам — модели можно гонять локально, в том числе на consumer-картах вроде NVIDIA DGX Spark. Это не игрушка, но и не закрытая инфраструктура для избранных лабораторий.

Стоит ли обновляться

Если у вас в продакшене стоит PyMatching как декодер — да, стоит протестировать Fast-вариант хотя бы как pre-decoder. Прирост 2.5x по скорости при сопоставимой точности — это не «новая фича», это другая категория производительности.

Если вы делаете калибровку вручную или через агентов на закрытых моделях — Ising Calibration 1 показывает на профильном бенчмарке преимущество в 3–14% над Gemini, Claude и GPT, при этом запускается локально без отправки данных в облако. Для лабораторий с чувствительными данными это решающий аргумент.

Useful quantum computing — пока всё ещё цель, а не реальность. Но 14 апреля 2026 года индустрия сделала видимый шаг от «может быть» к «вот инструменты». Дальше дело за теми, кто эти инструменты применит.