Nvidia a dévoilé le 14 avril « ISING », présenté comme le premier modèle d’IA quantique open source, avec un objectif clair : faire sauter les verrous de l’erreur et de la calibration des processeurs quantiques pour accélérer les déploiements concrets en labo comme en entreprise. Le nom renvoie au modèle d’Ising en mathématiques, et l’ambition est assumée : fournir des outils d’IA performants et extensibles pour traiter des problèmes plus grands et plus complexes, en améliorant simultanément la vitesse et la précision des flux de travail de correction d’erreurs.
Deux briques : calibration et décodage
ISING regroupe deux fonctions. La calibration s’appuie sur un modèle visuel‑langagier qui interprète rapidement les données de mesure d’un processeur quantique et automatise le réglage. Nvidia avance un passage de « plusieurs jours » à « quelques heures » pour des séquences de calibration complètes, ce qui, en pratique, conditionne la cadence d’itération sur du hardware supraconducteur ou ion piégé.
Le décodage de la correction d’erreurs repose sur un réseau de neurones à convolutions 3D, décliné en deux variantes (optimisées vitesse ou précision). Face à pyMatching, référence open source du domaine, Nvidia annonce jusqu’à 2,5× de gain en vitesse et jusqu’à 3× en précision selon les cas d’usage. Ces gains, s’ils se confirment sur des codes de surface de grande taille, abaissent sensiblement le coût expérimental d’exploration des régimes au‑delà du seuil.
Écosystème, disponibilité et intégration
Le modèle est déjà exploité par Cornell, l’Université de Chicago, UC San Diego et l’Université Yonsei. Nvidia publie un « cookbook » de workflows quantiques et des jeux de données, avec la possibilité d’utiliser des microservices NIM pour le fine‑tuning ou un déploiement local afin de préserver des données propriétaires.
ISING s’articule avec CUDA‑Q et NVQLink pour bâtir une chaîne complète entre accélération classique et contrôle quantique. Le code et les ressources sont disponibles sur GitHub, Hugging Face et le site de l’entreprise.
Enjeu industriel
La proposition est stratégique : l’IA ne se contente plus d’optimiser l’empilement classique, elle vise le cœur des opérations quantiques là où se cristallisent aujourd’hui les goulets d’étranglement. Si Nvidia parvient à standardiser ces briques d’IA autour de CUDA‑Q et d’infrastructures maison, la société ancre un continuum HPC‑quantique dont la valeur se jouera sur la reproductibilité des calibrations, la portabilité des décodeurs et la réduction mesurable des temps morts en cryo, un point déterminant pour le TCO des plateformes expérimentales.
Source : ITHome
