A NVIDIA anunciou o Ising, sua primeira família de modelos de inteligência artificial open-source voltada exclusivamente para a computação quântica. Os modelos foram desenvolvidos para atacar dois dos maiores obstáculos práticos dos processadores quânticos modernos: a calibração de qubits e a correção de erros em tempo real.
O componente de decodificação chega com desempenho 2,5 vezes mais rápido e 3 vezes mais preciso do que o pyMatching, atualmente o decodificador open-source mais utilizado por grupos de pesquisa quântica no mundo.
Calibração e erros: os dois gargalos da computação quântica
Para entender o que o Ising resolve, é preciso compreender o problema de base. Os processadores quânticos (QPUs) trabalham com qubits, partículas extremamente instáveis e sensíveis a interferências do ambiente.
Esse comportamento gera falhas com frequência: nos melhores sistemas disponíveis hoje, ocorre um erro a cada mil operações. Para que a computação quântica se torne viável em escala real, esse índice precisa cair para algo próximo de um erro a cada trilhão de operações, uma diferença de nove ordens de magnitude.
Dois processos são determinantes para chegar a esse patamar. O primeiro é a calibração: o ajuste dos parâmetros físicos do QPU para que seus qubits se comportem de maneira previsível e consistente.
O segundo é o decoding, ou decodificação: a interpretação de medições redundantes de um qubit lógico com correção de erros, gerando um sinal de correção antes que novos erros se acumulem. Se a decodificação não acompanhar o ritmo do hardware, o sistema perde coerência e os resultados dos cálculos se tornam inválidos.
Como o Ising Calibration funciona
O Ising Calibration é um modelo de linguagem visual (VLM) com 35 bilhões de parâmetros, ajustado para ler medições experimentais de um QPU e inferir automaticamente os ajustes necessários para calibrá-lo.
Segundo a NVIDIA, quando utilizado em conjunto com um agente de IA, o modelo reduz o tempo de calibração de dias para horas.
O modelo também é 15 vezes menor do que as alternativas existentes para a mesma tarefa, o que facilita sua adoção em ambientes de pesquisa com recursos computacionais mais limitados, sem exigir infraestrutura dedicada de grande porte.
Ising Decoding: velocidade e precisão para correção de erros
O Ising Decoding compreende duas variantes de uma rede neural convolucional 3D (CNN 3D), com 0,9 milhão e 1,8 milhão de parâmetros, otimizadas respectivamente para velocidade e precisão.
Ambas realizam a pré-decodificação para correção de erros em códigos de superfície, a abordagem mais comum em sistemas de computação quântica tolerantes a falhas.
Nos benchmarks da NVIDIA, os resultados superam o pyMatching com margem expressiva: 2,5 vezes mais rápido, 3 vezes mais preciso, com 10 vezes menos dados de treinamento necessários para atingir esse nível de desempenho.
“Os melhores processadores quânticos de hoje produzem um erro aproximadamente uma vez a cada mil operações, e a taxa de erro lógico está diretamente ligada à velocidade com que a decodificação ocorre ao lado do hardware. Um ganho de 2,5 vezes nessa velocidade eleva o teto de operações de porta que um processador quântico pode sustentar antes de seus qubits lógicos colapsarem.”
Sam Stanwyck, diretor de produto quântico da NVIDIA, ao The Next Platform
| Modelo | Tipo | Parâmetros | Destaque principal |
|---|---|---|---|
| Ising Calibration | VLM (Vision Language Model) | 35 bilhões | 15x menor que alternativas; calibração em horas |
| Ising Decoding (velocidade) | CNN 3D | 0,9 milhão | 2,5x mais rápido que pyMatching |
| Ising Decoding (precisão) | CNN 3D | 1,8 milhão | 3x mais preciso; 10x menos dados de treino |
Onde os modelos estão disponíveis
Os modelos Ising foram publicados no GitHub, no Hugging Face e na plataforma build.nvidia.com.
Eles se integram ao CUDA-Q, a plataforma de software quântico da NVIDIA compatível com diferentes modalidades de qubits, e ao NVQLink, a arquitetura de interconexão QPU-GPU de baixa latência apresentada pela empresa em outubro do ano passado.
Apesar de os modelos serem open-source, a infraestrutura ao redor deles é proprietária. O Ising Decoding depende do NVQLink para transmitir dados de medição à GPU dentro da janela de decodificação. Os fluxos de calibração passam pelo CUDA-Q, e as ferramentas de implantação são voltadas exclusivamente para hardware da NVIDIA.
Adoção por laboratórios e empresas do setor
O Ising já está sendo utilizado por algumas das instituições mais relevantes do campo quântico.
Entre os parceiros confirmados estão o Fermilab, a Universidade Harvard, o UK National Physical Laboratory, o Lawrence Berkeley National Laboratory por meio do Advanced Quantum Testbed, além das empresas IQM Quantum Computers, Infleqtion e IonQ, que aplica o Ising Calibration diretamente em seus sistemas.
A estratégia da NVIDIA no ecossistema quântico
O lançamento do Ising segue um padrão já consolidado pela NVIDIA em outras iniciativas, como o Nemotron, o Cosmos e o GR00T: abrir os modelos ao público enquanto mantém proprietária a plataforma ao redor.
Com isso, a empresa aprofunda sua presença no setor quântico sem precisar construir hardware quântico próprio, criando dependência de GPU em toda a cadeia de trabalho.
A NVIDIA enquadra explicitamente as cargas de trabalho quânticas como cargas de trabalho de IA, posicionando seus processadores gráficos como infraestrutura indispensável no caminho dos chamados supercomputadores quântico-GPU, sistemas híbridos que combinam QPUs e GPUs operando em conjunto.
Leia também:
- Prêmio Turing 2026 coroa pioneiros da criptografia quântica
- Nova tecnologia de laser pode revolucionar a computação quântica, apontam pesquisadores
- Ex-CEO da Intel diz que computação quântica vai estourar a bolha de IA
O open-source com correntes proprietárias
A distância entre um erro a cada mil operações e um erro a cada trilhão ainda é enorme, mas reduzir o tempo de calibração de dias para horas e tornar a correção de erros mais rápida e precisa são avanços concretos que mudam o ritmo do desenvolvimento experimental.
Para grupos de pesquisa que dependem do pyMatching e enfrentam longas calibrações manuais, o Ising representa ganho imediato de produtividade. A pergunta que permanece é se a dependência gerada pela plataforma proprietária da NVIDIA, embutida em um modelo distribuído como aberto, será aceita por um setor historicamente comprometido com a independência científica.
Abrir o modelo, mas fechar a estrada que leva até ele, é uma estratégia eficaz de expansão, e a NVIDIA já provou que sabe muito bem como executá-la
Fonte(s): NVIDIA
