英伟达（NVIDIA）近期发布了一系列基于经典伊辛模型（Ising model）的开源模型，旨在解决人工智能系统中的量子纠错难题。
与基于表面码或拓扑量子码的传统方法不同，这些模型利用自旋配置的能量来模拟并修正大型神经网络训练过程中产生的噪声。
官方资料显示，相较于以往的启发式解决方案，该方法能将纠错带来的计算开销降低 30% 至 40%。
从技术层面看，伊辛模型在此被应用为一种图结构，其中节点代表量子比特或神经网络参数，而节点间的相互作用则由哈密顿量（Hamiltonian）来描述。
整个训练过程可以归结为在噪声存在的情况下最小化系统能量，这与退火算法的过程颇为相似。英伟达已经公开了模型权重和代码，以便在 GPU 上复现相关实验，但并未透露用于验证的合成噪声数据生成的具体细节。
该方法论在结果的可移植性方面引发了一些疑问。目前的测试主要是在小型模拟量子电路上进行的，而非真实的量子硬件。因此，这些模型在应对现代量子处理器中常见的相关性误差时表现如何，仍是一个悬而未决的问题。
谷歌量子 AI 团队在 2023 年的研究中采用了误差门槛约为 1% 的表面码，与之相比，英伟达的方案侧重于混合量子-经典优化，这在扩展到数千个量子比特时可能更具优势。
在研究领域，这一进展拉近了量子计算与大规模机器学习社区之间的距离。尽管 Xanadu 和 Rigetti 在此前的量子机器学习研究中也曾提出过类似思路，但英伟达是首个提供完全开源权重及 PyTorch 框架集成工具的公司。
此举有望加速独立研究团队的实验进程，并改变人工智能领域容错量子算法的研发重点。
对于整个行业而言，这意味着纠错任务不再局限于专用量子设备，利用成熟的统计物理学方法在经典加速器上同样可以完成。不过，在缺乏额外校准的情况下，这些模型在真实量子噪声环境下的表现依然不明朗。
后续研究可能会着重于在真实量子设备上验证其可移植性，并对比其与传统解码器在能源消耗方面的差异。
归根结底，英伟达开源伊辛模型的做法为量子稳健型 AI 领域树立了新的可复现性标准，并为构建更高效的混合架构开辟了道路。
