NVIDIA 近日發表了基於經典伊辛模型（Ising model）的開源模型，旨在解決人工智慧系統中的量子糾錯難題。
不同於以往基於表面碼或拓撲量子碼的傳統方法，這些模型利用自旋組態的能量特性，來模擬並修正大型神經網路訓練過程中所產生的雜訊。
根據官方資料顯示，與先前的啟發式解決方案相比，此方法能將糾錯所需的運算成本降低 30% 到 40%。
從技術層面來看，伊辛模型在此被視為一種圖形結構，其中的節點代表量子位元或神經網路參數，而節點間的交互作用則透過哈密頓量（Hamiltonian）來描述。
其訓練過程旨在雜訊環境下最小化系統能量，運作機制類似於模擬退火過程。NVIDIA 已釋出開放權重與程式碼，讓開發者能在 GPU 上重現實驗，但並未透露用於驗證的合成雜訊數據生成細節。
這套方法論引發了關於結果遷移性的質疑。目前的測試主要是在小型模擬量子電路上進行，而非實際的量子硬體。這讓外界仍有疑慮：面對現代量子處理器中常見的相關性錯誤，這些模型的處理效能究竟如何。
相較於 Google Quantum AI 在 2023 年使用錯誤門檻約 1% 的表面碼研究，NVIDIA 的方案側重於混合式的經典量子優化，在擴展至數千個量子位元時可能更具優勢。
在研究領域中，此進展縮短了量子運算與大規模機器學習社群間的距離。儘管 Xanadu 與 Rigetti 先前在量子機器學習研究中也曾提出類似構想，但 NVIDIA 是首家提供完整開源權重及 PyTorch 等框架整合工具的企業。
此舉有望加速獨立研究團隊的實驗進度，並改變 AI 容錯量子演算法領域的優先發展方向。
對產業而言，這意味著糾錯任務現在不僅能在專用量子設備上完成，也能利用研究透徹的統計物理方法在傳統加速器上達成。同時，在缺乏額外校準的情況下，這些模型面對真實量子雜訊的表現仍未可知。
未來的研究預計將驗證其實際量子設備的遷移性，並將其能源消耗與傳統解碼器進行比較。
最終，NVIDIA 伊辛模型的開源為量子韌性 AI 領域樹立了可重現性的新標準，並為更高效的混合架構鋪平了道路。
