NVIDIA heeft onlangs opensourcemodellen gepresenteerd die gebaseerd zijn op het klassieke Ising-model om problemen met kwantumfoutcorrectie in kunstmatige intelligentie aan te pakken.
In tegenstelling tot gangbare methoden die steunen op oppervlaktecodes of topologische kwantumcodes, maken deze modellen gebruik van de energie van spinconfiguraties om ruis te modelleren en te corrigeren die optreedt tijdens het trainen van grote neurale netwerken.
Volgens officiële bronnen maakt deze aanpak het mogelijk om de rekenkosten voor correcties met 30 tot 40 procent te verlagen in vergelijking met eerdere heuristische oplossingen.
Technisch gezien wordt het Ising-model hier toegepast als een graafstructuur, waarbij de knooppunten kwantumbits of parameters van een neuraal netwerk vertegenwoordigen en de interacties daartussen worden beschreven door een hamiltoniaan.
Het trainingsproces draait om het minimaliseren van de energie van het systeem in de aanwezigheid van ruis, wat doet denken aan het proces van 'simulated annealing'. NVIDIA heeft de open gewichten en broncode vrijgegeven om experimenten op GPU's te reproduceren, maar gaf geen details over de generatie van de synthetische ruisdata die voor de validatie is gebruikt.
De methodologie roept vragen op over de overdraagbaarheid van de resultaten. De tests werden hoofdzakelijk uitgevoerd op gesimuleerde kwantumcircuits van beperkte omvang in plaats van op echte kwantumhardware. Dit laat de vraag onbeantwoord hoe effectief de modellen zullen omgaan met de gecorreleerde fouten die kenmerkend zijn voor moderne kwantumprocessors.
In vergelijking met het werk van Google Quantum AI uit 2023, waarbij oppervlaktecodes met een foutdrempel van ongeveer 1 procent werden gebruikt, zet de aanpak van NVIDIA in op hybride klassiek-kwantumoptimalisatie, wat voordeliger zou kunnen blijken bij het opschalen naar duizenden qubits.
Binnen het onderzoekslandschap brengt deze ontwikkeling de gemeenschappen van kwantumcomputing en grootschalige machine learning dichter bij elkaar. Eerder werden vergelijkbare ideeën geopperd in publicaties over kwantum-machine-learning door Xanadu en Rigetti, maar NVIDIA is de eerste die volledig open gewichten en tools aanbiedt voor integratie in frameworks zoals PyTorch.
Een dergelijke stap kan experimenten door onafhankelijke groepen versnellen en de prioriteiten veranderen binnen het vakgebied van fouttolerante kwantumalgoritmen voor AI.
Voor de sector betekent dit dat foutcorrectietaken nu niet alleen op gespecialiseerde kwantumhardware kunnen worden opgelost, maar ook op klassieke versnellers met behulp van beproefde methoden uit de statistische fysica. Tegelijkertijd blijft het onduidelijk hoe de modellen zich zullen gedragen bij echte kwantumruis zonder aanvullende kalibratie.
Toekomstig onderzoek zal waarschijnlijk de overdraagbaarheid naar echte kwantumapparaten testen en de energiekosten vergelijken met die van traditionele decoders.
Uiteindelijk zet de openstelling van de Ising-modellen door NVIDIA een nieuwe standaard voor reproduceerbaarheid in het veld van kwantumbestendige AI en effent het de weg voor efficiëntere hybride architecturen.
