英伟达押注AI助力量子计算：用大模型解决量子错误率难题

量子计算机在材料科学、物流优化和金融建模等领域具备巨大的加速潜力，但前提是需要解决可靠性问题。英伟达认为，其AI模型正是解决这一瓶颈的关键所在。

周二，这家GPU巨头发布了一批新的开放权重模型，专门面向量子硬件开发者，旨在帮助他们大幅降低处理器错误率。

英伟达指出，即便是目前最优秀的量子计算系统，每执行约一千次运算就会产生一次错误。而要使量子计算真正具备实用价值，这一错误率必须再降低十亿倍。

Ising Calibration：量子系统的自动调校引擎

首款量子模型代号为Ising Calibration，其功能正如名称所暗示。英伟达表示，这是一个拥有350亿参数的视觉语言模型，基于合作伙伴系统生成的数据进行训练，能够帮助开发者精准调整系统参数，将噪声干扰降至最低。

英伟达称，该模型可以集成到智能体框架中，实现全流程自动化——持续采集系统数据，并动态调整配置，直到错误率降至预设阈值以下。从功能上看，它有点像量子系统专用的"自动修音"工具。

与许多大语言模型不同，Ising Calibration体量相对轻巧，可在RTX Pro 6000 Blackwell显卡或搭载英伟达GB10芯片的DGX Spark等系统上流畅运行。

Ising Decoding：实时检测与纠错的利器

Ising Calibration虽然能降低错误发生的频率，却无法完全消除错误。为此，英伟达推出了Ising Decoding系列模型，提供两种规格版本，经过训练后可实现实时错误检测与纠正。

为了满足低延迟的运行需求，英伟达采用了较为传统的卷积神经网络（CNN）架构。与Ising Calibration相比，这两款模型体积极为精简：Ising-Decoder-SurfaceCode-1参数量仅为91.2万，较大的"高精度"版本也只有179万参数。得益于此，与基于PyMatching等框架的传统方案相比，这些模型的错误捕获速度提升了2.25至2.5倍。

开放资源与生态布局

Ising Calibration 1和Ising Decoder SurfaceCode 1的模型权重已在Hugging Face平台上线；Ising Calibration 1还同步登陆英伟达Build平台，并以推理微服务（NIM）的形式提供。除模型本身外，英伟达还配套推出了训练框架和推理蓝图，帮助开发者生成合成数据、针对各自系统进行微调，并快速落地部署。

此次发布的系列模型，是英伟达近年来持续深耕量子计算领域的最新成果。此前，该公司在这一赛道的投入已涵盖硬件研发、软件库构建，乃至建立配备Blackwell超算集群的专项研究中心。

Q&A

Q1：英伟达发布的Ising Calibration模型是什么？它能解决量子计算中的哪些问题？

A：Ising Calibration是英伟达推出的一款拥有350亿参数的视觉语言模型，专为量子硬件开发者设计。它的核心功能是通过分析量子系统运行数据，自动调整系统参数以降低噪声，从而减少运算错误率。该模型还可集成到智能体框架中，实现全自动校准流程，持续监测并优化系统，直到错误率低于设定阈值，相当于为量子系统提供了一套"自动调校"机制。

Q2：Ising Decoding模型与Ising Calibration模型有什么区别？

A：两者分工不同。Ising Calibration侧重于在运算前降低错误发生的概率，属于"预防"手段；而Ising Decoding系列模型则专注于运算过程中的实时错误检测与纠正，属于"补救"手段。Ising Decoding采用卷积神经网络架构，参数量极小（最小版本仅91.2万参数），运行速度比传统方案快2.25至2.5倍，可在低延迟环境下高效运行。

Q3：英伟达的量子AI模型目前在哪里可以获取？

A：Ising Calibration 1和Ising Decoder SurfaceCode 1的模型权重已在Hugging Face平台公开发布。此外，Ising Calibration 1还可通过英伟达Build平台获取，并提供推理微服务（NIM）形式的部署选项。英伟达同步开放了配套的训练框架和推理蓝图，方便开发者生成合成数据、进行模型微调并落地应用。