NVIDIA недавно представила открытые модели, построенные на базе классической модели Изинга, для решения задач квантовой коррекции ошибок в системах искусственного интеллекта.
В отличие от привычных методов, основанных на поверхностных кодах или топологических квантовых кодах, эти модели используют энергию спиновых конфигураций для моделирования и исправления шумов, возникающих при обучении больших нейросетей.
По данным официального источника, подход позволяет снизить вычислительные затраты на коррекцию на 30–40 процентов по сравнению с предыдущими эвристическими решениями.
Технически модель Изинга здесь применяется как графовая структура, где узлы представляют квантовые биты или параметры нейросети, а взаимодействия между ними описываются гамильтонианом.
Обучение сводится к минимизации энергии системы при наличии шума, что напоминает процесс отжига. NVIDIA предоставила открытые веса и код для воспроизведения экспериментов на GPU, однако не раскрыла точные детали генерации синтетических шумовых данных, использованных для валидации.
Методология вызывает вопросы о переносимости результатов. Тесты проводились преимущественно на симулированных квантовых цепях малого размера, а не на реальном квантовом железе. Это оставляет открытым вопрос, насколько эффективно модели справятся с коррелированными ошибками, характерными для современных квантовых процессоров.
По сравнению с работами Google Quantum AI 2023 года, где использовались поверхностные коды с порогом ошибки около 1 процента, подход NVIDIA делает ставку на гибридную классико-квантовую оптимизацию, что может оказаться выгоднее при масштабировании до тысяч кубитов.
В ландшафте исследований это развитие сближает сообщества квантовых вычислений и крупномасштабного машинного обучения. Ранее аналогичные идеи высказывались в работах по квантовому машинному обучению от Xanadu и Rigetti, однако NVIDIA первой предоставила полностью открытые веса и инструменты для интеграции в фреймворки вроде PyTorch.
Такой шаг может ускорить эксперименты независимых групп и изменить приоритеты в области fault-tolerant квантовых алгоритмов для ИИ.
Для отрасли это означает, что задачи коррекции ошибок теперь можно решать не только на специализированном квантовом оборудовании, но и на классических ускорителях с помощью хорошо изученных методов статистической физики. В то же время остаётся неясным, как поведут себя модели при реальном квантовом шуме без дополнительной калибровки.
Следующие работы, вероятно, будут проверять переносимость на реальные квантовые устройства и сравнивать энергетические затраты с традиционными декодерами.
В конечном счёте открытость моделей Изинга от NVIDIA задаёт новый стандарт воспроизводимости в области квантово-устойчивого ИИ и открывает путь к более эффективным гибридным архитектурам.
