Les développements se succèdent à un rythme impressionnant dans l’IA.
NVIDIA lance Ising : la première famille de modèles d’IA quantique ouverts destinés aux systèmes hybrides quantiques-classiques
Cette nouvelle gamme de modèles s’attaque à l’étalonnage quantique et à la correction d’erreurs — deux des problèmes techniques les plus complexes qui font obstacle aux ordinateurs quantiques pratiques de demain, compte tenu des qubits bruyants dont nous disposons aujourd’hui.
Depuis des années, l’informatique quantique semble appartenir au futur. Le matériel s’est amélioré, la recherche s’est intensifiée et les investissements ont suivi, toutefois le fossé entre un processeur quantique fonctionnant en laboratoire et un autre exécutant une application concrète reste obstinément large. NVIDIA a décidé de combler ce fossé en lançant NVIDIA Ising, la première gamme au monde de modèles d’IA quantique ouverts, spécialement conçus pour aider les chercheurs et les entreprises à développer des processeurs quantiques capables d’exécuter des applications utiles.
NVIDIA Ising comprend deux composants distincts : Ising Calibration et Ising Decoding.
Voici le problème central qu’Ising est censé résoudre : les ordinateurs quantiques sont extrêmement sensibles. Leur unité de calcul fondamentale, le qubit, est si facilement perturbée par le bruit ambiant que les erreurs s’accumulent rapidement pendant le calcul. Avant de pouvoir exécuter quoi que ce soit d’utile sur un processeur quantique, deux éléments doivent fonctionner correctement : l’étalonnage (qui consiste à s’assurer que le matériel est bien réglé et fonctionne correctement) et la correction d’erreurs (qui consiste à détecter et à corriger les erreurs dès qu’elles surviennent, en temps réel). Ces deux processus ont toujours été manuels, lents et difficiles à mettre à l’échelle. NVIDIA mise sur le fait que l’IA peut automatiser ces deux processus.
NVIDIA Ising comprend deux composants distincts : Ising Calibration et Ising Decoding.
Ising Calibration est un modèle de langage visionnel — une architecture de modèle familière à quiconque a déjà travaillé avec l’IA multimodale — conçu pour interpréter et réagir sans tarder aux mesures provenant des processeurs quantiques. On peut le considérer comme un agent IA qui surveille en permanence les données de diagnostic issues du matériel quantique et ajuste le système de manière autonome afin d’en garantir un fonctionnement optimal. Cela permet aux agents IA d’automatiser l’étalonnage continu, réduisant de cette manière le temps nécessaire de plusieurs jours à quelques heures. Il ne s’agit pas d’un gain de temps négligeable : dans le domaine du avancée de matériel quantique, les jours d’étalonnage entre les expériences constituent un goulot d’étranglement majeur.
Ising Decoding se décline en deux variantes de modèle de réseau neuronal convolutif 3D (3D CNN), chacune optimisée pour des compromis différents : l’une est axée sur la vitesse, l’autre sur la précision. Ces modèles effectuent un décodage en temps réel pour la correction d’erreurs quantiques. Si vous avez déjà travaillé dans le domaine du traitement du signal ou de la modélisation de séquences, le décodage avec correction d’erreurs repose sur un principe similaire : il s’agit de déduire quel devrait être l’état « correct » du système, à partir d’observations bruitées. Les modèles de décodage Ising sont jusqu’à 2,5 fois plus rapides et 3 fois plus précis que pyMatching, la norme open source actuellement utilisée dans l’industrie.
L’évolution de ce dossier sera à suivre avec attention.
À découvrir aussi :
- La start-up spécialisée dans les puces d’IA Cerebras dévoilement son introduction en bourse | TechCrunch
- Anthropic lance Claude Opus 4.7 : une mise à jour majeure pour la programmation agentique, la vision haute résolution et les tâches autonomes à long terme
Information publiée en premier lieu par MarkTechPost : MarkTechPost