NVIDIA a lancé Ising, la première famille de modèles ouverts d'intelligence artificielle dédiée à la construction de processeurs quantiques tolérants aux pannes. Cette suite répond à un défi fondamental du calcul quantique : le bruit inhérent aux qubits qui entraîne des erreurs. Alors que les meilleurs processeurs actuels commettent une erreur sur environ mille opérations, il faut atteindre un taux d'erreur d'une sur un trillion pour les rendre utiles à l'échelle industrielle. Ising vise à combler cet écart grâce à l'IA. La gamme Ising se divise en deux domaines principaux : l'étalonnage et le décodage. L'étalonnage consiste à comprendre le bruit de chaque processeur et à le régler pour optimiser les performances. Cependant, le bruit des systèmes quantiques oblige à corriger les erreurs en temps réel par un ordinateur classique plus vite qu'elles ne s'accumulent, un processus appelé décodage de la correction d'erreurs quantiques. Ising offre des performances avancées pour ces deux tâches, en permettant le passage à l'échelle vers des millions de qubits. Le modèle Ising Calibration 1 est un modèle de vision et langage capable d'analyser les résultats expérimentaux quantiques et de comparer ces données aux tendances attendues. Utilisé dans un flux de travail automatisé, il agit en tant qu'agent pour calibrer activement un processeur quantique jusqu'à ce que ses opérations respectent les spécifications souhaitées. Entraîné sur des données provenant de diverses modalités de qubits (supraconducteurs, points quantiques, ions, atomes neutres, etc.), ce modèle a surpassé les meilleures solutions existantes sur le nouveau benchmark QCalEval, développé en collaboration avec des partenaires du secteur. Ising Calibration 1 dépasse notamment GPT-5.4 et Claude Opus 4.6 en précision, avec un avantage moyen de 14,5 %. Il est conçu pour fonctionner sur des centres de données NVIDIA Grace Blackwell et Vera Rubin, ainsi que sur des cartes grand public comme la DGX Spark. Le modèle Ising Decoding permet aux fabricants et opérateurs de qubits d'entraîner des décodeurs d'IA basés sur des réseaux de neurones convolutionnels 3D. Ces pré-décodants accélèrent et améliorent la précision en traitant de grandes quantités d'erreurs de syndrome localisées. NVIDIA propose deux versions de base : une version « Rapide » optimisée pour la latence et une version « Précise » optimisée pour la réduction du taux d'erreur logique. Par exemple, la version rapide est 2,5 fois plus rapide que le algorithme de référence PyMatching avec une précision améliorée, tandis que la version précise offre une réduction du taux d'erreur trois fois supérieure sur certaines configurations. L'infrastructure Ising est entièrement ouverte. NVIDIA met à disposition les poids des modèles, un cadre d'entraînement complet, des jeux de données, des benchmarks et des recettes de déploiement. Les utilisateurs peuvent ainsi spécialiser les modèles pour leurs propres architectures de qubits et caractéristiques de bruit, tout en conservant leurs données propriétaires sur site. Ce cadre inclut la bibliothèque NVIDIA cuQuantum et la bibliothèque cuStabilizer pour générer des données d'entraînement synthétiques, permettant aux développeurs de créer des décodeurs sur mesure. L'objectif est d'établir un chemin vers des superordinateurs quantiques-GPU capables de résoudre des problèmes complexes, rendant l'informatique quantique tolérante aux pannes accessible et évolutive.