NVIDIA hat mit Ising die weltweit erste Familie offener KI-Modelle für den Bau fehlertoleranter Quantenprozessoren vorgestellt. Mit dem Start von zwei Modellbereichen – Ising Calibration und Ising Decoding – adressiert das Unternehmen die fundamentale Herausforderung der Quantencomputing-Forschung: Die inhärente Rauschanfälligkeit von Qubits. Während aktuelle Prozessoren etwa bei jedem tausendsten Rechenoperation einen Fehler aufweisen, müssen für nützliche Anwendungen in Wissenschaft und Industrie Fehlerquoten auf eins zu einer Billion gesenkt werden. Künstliche Intelligenz gilt als vielversprechendster Weg, um diese Lücke skalierbar zu schließen. Der Bereich Ising Calibration konzentriert sich auf das Verstehen und Minimieren von Rauschen in Quantenprozessoren. Das vorgestellte Modell Ising-Calibration-1 ist ein Vision-Language-Modell (VLM), das Experimentdaten analysiert und Quantenprozessoren aktiv so lange kalibriert, bis sie die gewünschten Spezifikationen erreichen. Dafür trainierte NVIDIA das Modell auf Daten zahlreicher Partner, die verschiedene Qubit-Technologien wie supraleitende Qubits, Ionenfallen oder Neutralatome nutzen. In Zusammenarbeit mit diesen Partnern wurde zudem QCalEval, der weltweit erste Benchmark für die agente Quantenkalibrierung, eingeführt. Auf diesem Testfeld übertrifft Ising-Calibration-1 bestehende offene und geschlossene Modelle deutlich. Es erzielt beispielsweise einen um 3,27 % besseren Durchschnittswert als Gemini 3.1 Pro und liegt 14,5 % über GPT 5.4. Entwickler können das Modell nun in automatisierten Workflows nutzen, um Kalibrierungsprozesse mit minimalem menschlichem Eingriff zu steuern. Der zweite Bereich, Ising Decoding, zielt auf die Quantenfehlerkorrektur ab, bei der klassische Computer Fehler in Echtzeit korrigieren müssen, bevor sie sich akkumulieren. Das Ising Decoding Framework ermöglicht es Buildern und Operatoren, kleine, dreidimensionale Convolutional Neural Networks (CNNs) zu trainieren. Diese sogenannten Pre-Decoders beschleunigen die Fehlerkorrektur und verbessern die Genauigkeit, indem sie lokale Syndromfehler effizient handhaben. Nutzer können zwischen zwei Basismodellen wählen: einem schnellen Modell für geringe Latenz und einem genauen Modell für höhere Fehlerkorrekturquote. Das schnelle Modell, Ising-Decoder-SurfaceCode-1-Fast, weist etwa 912.000 Parameter auf und läuft effizient auf GPUs. Es ist 2,5-mal schneller als das herkömmliche PyMatching-Verfahren und bei bestimmten Fehlerraten 1,11-mal genauer. Das genauere Modell, Ising-Decoder-SurfaceCode-1-Accurate, verfügt über 1,79 Millionen Parameter und kann längere Fehlerketten korrigieren, erfordert jedoch mehr Rechenzeit. Dennoch erzielt es selbst bei hohen Anforderungen eine 2,25-fache Geschwindigkeitssteigerung und eine 1,53-fache Verbesserung der logischen Fehlerrate im Vergleich zu herkömmlichen Methoden. NVIDIA hat zudem eine Echtzeit-API entwickelt, die mit CUDA-Q und NVQLink integriert ist und Latenzen im Mikrosekundenbereich ermöglicht. Ein entscheidender Vorteil von NVIDIA Ising ist der vollständige Open-Source-Charakter. Alle Gewichte, Trainingsframeworks, Daten, Benchmarks und Deployment-Rezepte sind verfügbar. Das Modellgewichtsmanagement erfolgt über die NVIDIA Open Model License, was es QPU-Bauern ermöglicht, proprietäre Daten lokal zu behalten und Modelle auf eigene Hardware anzupassen. Mit Hilfe des NVIDIA NeMo Agent Toolkits und Integrationen in gängige Code-Agenten können Entwickler die Kalibrierung und Fehlerkorrektur fully automatisieren. Die Verfügbarkeit auf Hugging Face sowie über NVIDIA NIM ermöglicht einen einfachen Einstieg. Durch diese offene Infrastruktur soll der Weg zu skalierbaren Quantum-GPU-Supercomputern geebnet werden, die in der Lage sind, reale Probleme zu lösen.