NVIDIA Ising

摘要

NVIDIA Ising 是 NVIDIA 面向量子计算推出的开放 AI 模型家族，包含训练框架、基准与部署食谱，聚焦“校准”与“解码”两大关键任务，目标是帮助量子处理器走向实用化、规模化。该家族首批发布两大模型域：Ising Calibration（基于视觉-语言模型的自动校准）与 Ising Decoding（基于三维卷积神经网络的量子纠错解码）。官方测试与生态实践表明，Ising 在校准基准 QCalEval 上显著优于通用闭源/开源大模型，在解码端相比传统 PyMatching 解码器可实现最高约 2.5 倍的速度提升与最高约 3 倍的逻辑错误率改善，并通过与 CUDA‑Q、NVQLink、cuQuantum 等栈的深度集成，将延迟压至微秒级，支撑“Quantum‑GPU 超算”的实时反馈回路。

NVIDIA Ising官网入口：https://www.nvidia.com/en-us/solutions/quantum-computing/ising/

一、产品定位与背景

1.1 NVIDIA Ising 的定义

• NVIDIA Ising：一个面向量子计算的开放模型家族，提供模型权重、训练框架、基准与部署食谱，用于构建和部署 AI，以解决量子处理器校准与量子纠错解码两大核心工程瓶颈。
• 目标用户：量子处理器构建者、运营商、解码算法开发者、系统集成商。
• 核心价值：在不要求用户成为机器学习专家的前提下，把最先进的 AI 能力引入量子控制与纠错栈，从而降低“量子–经典”混合系统的工程复杂度。
  

  1.2 命名由来与时间线

• Ising 模型：统计物理中用于描述自旋系统的经典数学模型，用于简化复杂多体系统的相变与临界行为。NVIDIA 以此命名，寓意用“简化复杂系统”的方法来解决量子噪声与纠错难题。
• 发布时间：NVIDIA 于 2026 年 4 月 14 日正式发布 Ising，并同步开放模型、代码与基准。
  

  1.3 在 NVIDIA 量子生态中的位置

• CUDA‑Q：NVIDIA 的混合量子–经典计算统一软件平台，提供跨 QPU/GPU 的编程、编译与运行时环境。
• CUDA‑Q QEC：CUDA‑Q 中的量子纠错子库，提供标准解码器接口与实时 API，便于集成自定义解码策略。
• NVQLink：开放的 QPU–GPU 硬件互连与实时通信平台，配合 cudaq‑realtime 提供 GPU 与量子控制器之间的微秒级回调通路，用于校准与纠错。
• cuQuantum：GPU 加速的量子计算仿真库集合，包含 cuStateVec、cuTensorNet、cuDensityMat、cuStabilizer 等子库，为 Ising Decoding 的合成数据生成与仿真验证提供底层算子支持。
• NVIDIA NIM：将模型封装为高性能推理微服务的容器化平台，Ising Calibration 1 通过 NIM 提供易用的推理服务。
• NeMo Agent Toolkit：面向“智能体（Agent）”的编排与工具调用框架，用于把 Ising Calibration 封装为自动化校准 Agent。

二、核心架构与模型域

2.1 模型家族总体构成

• 模型域：Ising Calibration（校准域）与 Ising Decoding（解码域）。
• 训练框架：支持基于自定义噪声模型与合成数据训练/微调解码模型，并集成 cuQuantum cuStabilizer 与 PyTorch。
• 部署食谱：面向 TensorRT、PyTorch 等推理引擎的端到端示例脚本、量化与调优指南。
• 基准与数据：QCalEval 基准与开放数据集，用于评估与迭代校准模型。
  

  2.2 Ising Calibration：自动校准 VLM

• Ising Calibration 1：面向量子处理器校准的视觉–语言模型（VLM），用于“读取”并理解校准实验图表与数据，自动生成下一步校准动作或参数建议。
• 模型规模：约 35B 参数，基于 Qwen3.5‑35B‑A3B 架构构建，适配数据中心 GPU（如 Grace Blackwell、Vera Rubin）以及桌面工作站（如 DGX Spark）。
• 训练数据：来自多家量子合作伙伴的多种物理比特体系（超导比特、量子点、离子阱、中性原子、电子在氦面上等）的真实实验输出。
• QCalEval：首个面向量子校准图表理解的 VLM 基准，包含 243 个样本、87 种场景类型、22 类实验家族，覆盖超导与中性原子等平台，评估 6 类问题在零样本与上下文学习下的表现。
  

  2.3 Ising Decoding：3D CNN 实时解码器

• 三维卷积神经网络（3D CNN）：适用于在“空间（码距）×时间（纠错轮次）”的三维错误图样上进行快速前向推理，兼顾感受野与实时性。
• 基座模型二选一：
  • Ising‑Decoder‑SurfaceCode‑1‑Fast：轻量高吞吐版本，约 0.91M 参数，感受野为 9，在 d=13、物理错误率 p=0.003 条件下，相比纯 PyMatching 可实现约 2.5 倍速度提升、1.1 倍准确率提升。
  • Ising‑Decoder‑SurfaceCode‑1‑Accurate：高精度版本，约 1.79M 参数，感受野为 13，在同样条件下可实现约 2.25 倍速度提升、1.53 倍准确率提升；在某些码距（如 d=31、p=0.003）下可带来约 3 倍的逻辑错误率（LER）改善。
• 模型定位：作为“预解码器（pre‑decoder）”，在进入全局解码器（如 Union Find、最小权重完美匹配/PyMatching、ML 解码器）之前，快速局部纠正大量短链错误，从而整体提升 LER 与延迟。

三、关键技术机制

3.1 校准：VLM + Agent 闭环

• 视觉理解：VLM 直接“看”校准曲线、散点图、直方图等实验图表，将其抽象为语义化结论与趋势判断。
• 动作生成：基于实验结果与目标指标，自动输出下一步控制参数建议（如频率偏移、脉冲幅度、门时间等）。
• 智能体编排：借助 NeMo Agent Toolkit，将 VLM 封装为自动校准 Agent，与控制软件栈或编码型代理（如 Cursor、Claude Code 等）集成，实现“测量→分析→调参→再测量”的闭环，大幅缩短从天到小时级别的校准周期。
  

  3.2 解码：3D CNN + cuStabilizer + cuQuantum

• cuStabilizer：cuQuantum 中面向“稳定子形式”仿真的高性能库，用于高效模拟量子纠错码（如表面码）在给定噪声模型下的校验子历史，为解码器生成大规模合成训练数据。
• PyTorch 训练闭环：用 cuStabilizer 在线生成“三维校验子体积”，喂入 PyTorch 训练 3D CNN，使解码器深度适配目标 QPU 的噪声特性与拓扑结构。
• 实时推理：解码器可部署为 TensorRT 引擎，通过 CUDA‑Q QEC 与 cudaq‑realtime 暴露实时 API，实现与量子控制器的低延迟回调。
  

  3.3 延迟与 LER 优化

• 实时 API：基于 CUDA‑Q QEC、cudaq‑realtime 与 NVQLink 构建，实现 FPGA/量子控制器与 GPU 之间的微秒级双向通信，把解码延迟压到可支撑纠错时钟的量级。
• 延迟示例：在 Accurate 模型 + PyMatching 的配置下，使用 DGX GB300、FP16 精度、p=0.003、104 轮、d=13 的表面码，可实现约 2.33 μs/轮的速度，相对纯 PyMatching 实现 2.25 倍加速与 1.53 倍 LER 改善。
• 延迟预测：在 13 块 GB300 GPU、FP8 精度、p=0.003、1000 轮、d=13 条件下，Fast 模型预计可达到约 0.11 μs/轮。
• 逻辑错误率改善：在合适码距与噪声条件下，Accurate 模型可带来最高约 3 倍 LER 改善，帮助系统更接近容错阈值与实用化。

四、应用场景与适用人群

4.1 典型场景

• 量子处理器“起机”与例行校准：使用 Ising Calibration 自动读取多种比特平台的校准曲线，实现从单比特门、双比特门到读取链路的自动化调优。
• 容错量子纠错的实时解码：在表面码/旋转表面码等纠错方案中，把 Ising Decoding 作为预解码器，提升逻辑错误率与实时性，支撑大规模 QPU 阵列。
• 多平台适配与实验优化：针对超导、离子阱、中性原子等不同物理体系，用同一套训练框架训练/微调专属解码模型，适配各自的空间拓扑与噪声关联。
  

  4.2 目标用户画像

• 量子硬件厂商：将 Ising Decoding 作为标准预解码层，嵌入自研纠错栈，并通过 Ising Calibration 实现“自研控制 + AI 调优”的闭环。
• 国家实验室与超算中心：在 Quantum‑GPU 超算环境中，用 Ising 构建实时纠错与校准服务，降低运维成本并提高可用比特数。
• 量子算法与应用团队：在校准稳定的前提下，更专注于高阶量子算法验证与应用层开发。
• 量子控制软件供应商：通过 cudaq‑realtime/NVQLink 接入 Ising 能力，为客户提供“AI+控制”的一体化方案。

五、与主流栈与竞品的对比（简要）

5.1 与传统解码方案对比

• PyMatching：经典最小权重完美匹配（MWPM）解码器，社区广泛采用；Ising Decoding 在其基础上作为预解码层，显著提升速度与 LER。
• Union Find 等启发式解码器：Ising 支持与之组合，作为局部纠错前端，缩短全局解码的计算压力。
• 其他 ML 解码器：Ising 提供统一的训练框架与可复现基准，便于在同一条件下对比不同解码策略。
  

  5.2 与通用大模型对比（校准域）

• 通用 VLM（如 Claude、Gemini、GPT）：虽然具备多模态理解能力，但在量子校准图表的专业语义理解上，QCalEval 测试表明 Ising‑Calibration‑1 明显优于通用前沿模型。
• Ising Calibration 优势：基于真实 QPU 数据与校准任务进行专门训练与评测，更贴近工程现场的决策需求。

六、开放资源与快速上手

6.1 模型权重与许可

• 开放权重：Ising Calibration 1 与 Ising Decoder SurfaceCode 1 在 Hugging Face 提供全参数检查点。
• 访问方式：Ising Calibration 1 同时通过 NVIDIA NIM 与 build.nvidia.com 提供微服务化推理；解码模型以开源仓库形式提供训练与推理脚本。
• 许可：采用 NVIDIA Open Model License，支持本地部署与二次开发，方便 QPU 厂商在自有基础设施上运行并保护专有数据。
  

  6.2 训练与部署路径

• 训练路径：定义噪声模型与表面码参数 → 使用 cuStabilizer 在线生成三维校验子数据 → 基于 PyTorch 训练 3D CNN → 导出为 TensorRT 或直接在 PyTorch 中推理。
• 部署路径：选择 Fast/Accurate 基座 → 按需量化（如 FP8）→ 集成到 CUDA‑Q QEC 的实时解码 API → 通过 NVQLink 与 QPU 控制器连接。
• 校准 Agent 路径：基于 GitHub 提供的 Blueprint 与 NeMo Agent Toolkit，将 Ising Calibration 1 接入现有控制软件栈或编码代理，实现闭环校准。
  

  6.3 基准与数据

• QCalEval：用于评估任何 VLM 在量子校准图表理解任务上的表现，包含脚本与数据集，可直接复现官方结果。
• Ising Calibration 数据：基于合作方真实实验数据构建，部分开放在 Hugging Face，用于监督微调与领域适配。

七、局限性与注意事项

• 依赖 GPU 与特定软件栈：高性能训练与部署需要 CUDA‑Q、cuQuantum、TensorRT 等 NVIDIA 栈支持；跨平台迁移需考虑兼容性。
• 噪声模型匹配：解码器效果高度依赖训练所用噪声模型与真实 QPU 噪声的匹配度，需定期用实测数据微调。
• 基准局限：QCalEval 聚焦图表类任务，对其他类型校准数据（如时序 trace、原始 IQ 数据）的支持需进一步扩展。
• 生态成熟度：作为 2026 年发布的新家族，部分功能与最佳实践仍在快速迭代中，建议关注官方仓库与文档更新。

文章来源

• NVIDIA 官方新闻稿：NVIDIA Launches Ising, the World’s First Open AI Models to Accelerate the Path to Useful Quantum Computers（2026‑04‑14）。
• NVIDIA 开发者博客：NVIDIA Ising Introduces AI‑Powered Workflows to Build Fault‑Tolerant Quantum Systems。
• NVIDIA 研究论文：QCalEval: Benchmarking Vision‑Language Models for Quantum Calibration Plot Understanding（2026‑04‑14）。
• NVIDIA cuQuantum 官方文档（cuStabilizer、cuQuantum SDK 概览）。
• CUDA‑Q/cudaq‑realtime 官方博客：Introducing cudaq‑realtime for programming the Logical QPU（2026‑03‑16）。
• NVIDIA 解决方案页面：NVQLink；NVIDIA Ising 解决方案页；Ising 开发者门户页。
• 第三方报道：HPCwire 等对 Ising 发布的生态与应用报道。

版权说明

• 本文由“大国AI导航（daguoai.com）”基于公开可查的官方与权威渠道资料编写，仅作技术科普与资讯分享之用。
• 文中所涉产品名、商标与技术指标归 NVIDIA 及相关权利人所有，本文不构成任何明示或暗示的担保或背书。
• 未经大国AI导航书面许可，禁止以任何形式整篇转载或洗稿后发布；如需转载，请在文首显要位置注明“来源：大国AI导航（daguoai.com）”，并保留本文的“文章来源”与“版权说明”部分。