NVIDIA a dévoilé Ising, une nouvelle famille de modèles open source d’intelligence artificielle, conçue pour répondre à l’un des grands défis de l’informatique quantique : améliorer la calibration des processeurs et la correction d’erreurs avec la rapidité nécessaire pour permettre, un jour, l’exécution d’applications réellement utiles. Annoncée comme la première famille de modèles ouverts spécifiquement destinée à accélérer le développement d’ordinateurs quantiques pratiques, cette initiative ne transforme pas immédiatement la quantique en une technologie mature. Cependant, elle renforce une idée de plus en plus répandue dans le secteur : sans l’aide de l’IA, il sera beaucoup plus difficile de faire évoluer des qubits depuis les laboratoires vers des systèmes stables, évolutifs et économiquement viables.
Ce qui rend cet annonce important, c’est la problématique qu’il cherche à résoudre. Les processeurs quantiques actuels restent extrêmement sensibles au bruit. NVIDIA résume cette fragilité avec une donnée simple mais éloquente : les meilleurs calculateurs quantiques en service enregistrent environ une erreur toutes les milles opérations, alors que pour des applications à grande échelle, il faudrait réduire ce taux à un environ une erreur par trillion d’opérations. En clair, le principal obstacle n’est pas seulement la quantité de qubits, mais leur fiabilité. Il faut que ceux-ci fonctionnent de manière suffisamment précise pour éviter de ruiner le calcul avant sa conclusion.
Et c’est là qu’interviennent Ising. NVIDIA présente cette famille comme une synergie de modèles, de données, d’outils et de workflows destinés à deux opérations critiques : la calibration du processeur quantique et la décodification dans le cadre de la correction d’erreurs quantiques. Ces opérations sont très intensives en calcul et sensibles au timing, car il ne suffit pas de détecter une erreur ; il faut la corriger avant que celles-ci ne s’accumulent de façon ingérable. C’est pourquoi NVIDIA insiste sur le fait que l’IA doit jouer un rôle central, en tant que « couche de contrôle » pour ces machines.
Deux modèles pour relever le défi crucial
La famille débute avec deux composants principaux. Le premier, Ising Calibration, est un modèle basé sur la vision et le langage, capable d’interpréter les résultats de mesures sur des processeurs quantiques pour ajuster automatiquement le système en fonction de paramètres acceptables. NVIDIA affirme qu’il peut réduire la durée d’un calibrage, qui peut durer plusieurs jours, à quelques heures, selon le matériel, le contexte expérimental et l’intégration locale. Le modèle a été entraîné avec des données fournies par des partenaires utilisant différentes modalités de qubits, comme les supraconducteurs, les pièges d’ions, les atomes neutres ou les points quantiques.
Le second composant, Ising Decoding, comporte deux variantes basées sur des réseaux neuronaux convolutifs 3D, conçues pour la décodification en temps réel lors de la correction d’erreurs. NVIDIA fournit des données concrètes : ces modèles seraient jusqu’à 2,5 fois plus rapides et jusqu’à 3 fois plus précis que pyMatching, l’un des outils open source les plus connus dans ce domaine. La décodification devant être effectuée presque instantanément pour que la correction soit effective, cette avancée est essentielle. En résumé, si le décodificateur est lent, le processeur quantique reste vulnérable, même avec une théorie brillante.
Ce qui est important, c’est que NVIDIA ne présente pas Ising comme une simple démonstration académique, mais comme une plateforme adaptable pour différents types de processeurs et architectures. La famille comprend des modèles de référence open source, un cadre d’entraînement, des données et des outils pour le réglage fin (fine-tuning), la quantification et le déploiement. De plus, ces modèles peuvent être exécutés localement, un aspect crucial pour des laboratoires, start-ups ou entreprises soucieuses de protéger leurs données de calibration et de télémétrie.
Une initiative stratégique à forte valeur ajoutée
Ce lancement possède une portée stratégique évidente. La quantique, jusqu’ici, oscille entre deux visions opposées : d’un côté, des promesses énormes pour la chimie, la recherche de nouveaux matériaux ou la découverte de médicaments ; de l’autre, une réalité technique encore fragile. Ising ne résout pas cette rupture en soi, mais s’attaque à deux aspects critiques : la calibration constante du hardware et la nécessité de corriger les erreurs avec une latence minimale. Ce n’est pas une solution miracle, mais un rabotage nécessaire pour rendre la technologie fiable.
Par ailleurs, NVIDIA joue là une carte stratégique : au-delà de l’IA générative et des GPU classiques, elle étend son rôle dans le champ de la quantique avec des solutions comme CUDA-Q, pour la computation hybride, et NVQLink, une interconnexion pensée pour lier QPU et GPU pour la gestion en temps réel des flux de contrôle et de correction. La vision de NVIDIA est celle d’un écosystème où la quantique utile naîtra non seulement de meilleurs processeurs, mais aussi d’une collaboration étroite entre qubits, GPU, logiciels et IA spécialisée.
Plusieurs acteurs clés sont déjà partenaires ou clients précoces : en calibration, on trouve Atom Computing, IonQ, IQM Quantum Computers, Q-CTRL, ainsi que des institutions comme Harvard, Fermilab ou le British National Physical Laboratory. En décodification, on mentionne Cornell, Infleqtion, IQM, Sandia National Laboratories, UC San Diego, UC Santa Barbara, University of Chicago et Yonsei University. Même si cette liste n’indique pas une adoption massive immédiate, elle témoigne que la démarche a été pensée pour s’intégrer dans un véritable écosystème quantique, pas seulement comme un outil commercial.
Une source d’ouverture aux usages concrets
Le second aspect significatif est l’ouverture de la plateforme. NVIDIA a publié cette famille sur Hugging Face, où sont déjà disponibles Ising-Calibration-1-35B-A3B, Ising-Decoder-SurfaceCode-1-Fast, Ising-Decoder-SurfaceCode-1-Accurate et le benchmark QCalEval. La société intègre aussi ces modèles dans sa gamme de ressources open source, comprenant notamment Nemotron, Cosmos, Isaac GR00T ou BioNeMo. Cet éclectisme offre une visibilité précieuse aux laboratoires, startups et équipes de recherche qui ne pourraient pas, autrement, développer leur propre approche à partir de zéro.
Ce qui est fondamental, cependant, ce n’est pas seulement leur nature ouverte, mais leur utilité. Ouvrir des modèles pour la calibration et la décodification favorise la collaboration, la reproductibilité et l’adaptation à divers matériels. Alors que le secteur continue de mêler supraconducteurs, ions piégés, atomes neutres, et autres approches, disposer d’outils modifiables et accessibles permet de faire progresser la recherche de manière plus rapide et collaborative. NVIDIA semble avoir compris que la course à la quantique ne se résume pas à des produits cloisonnés, mais à des outils qui repoussent les limites techniques ensemble.
En définitive, Ising ne fait pas de NVIDIA un constructeur de ordinateurs quantiques ni ne va révolutionner la industrie demain. Cependant, elle positionne la société à un niveau stratégique : celui de fournir la couche d’intelligence artificielle et de calcul accéléré nécessaire pour que la technologie quantique passe de l’état de prototype fragile à celui de systèmes opérationnels. Plus qu’un simple lancement, Ising incarne une démarche pour résoudre certains des défis les plus ardus de la quantique, en particulier ceux liés à la calibration et à la correction. Et c’est précisément pourquoi cela a de l’importance.
Questions fréquentes
Qu’est-ce qu’NVIDIA Ising et quel est son objectif ?
Il s’agit d’une nouvelle famille de modèles open source d’intelligence artificielle conçus pour faciliter la calibration des processeurs quantiques et la correction d’erreurs, deux étapes essentielles pour rendre ces ordinateurs réellement opérationnels.
Quelle différence entre Ising Calibration et Ising Decoding ?
Ising Calibration est un modèle basé sur la vision et le langage, qui vise à automatiser l’ajustement des qubits à partir de mesures expérimentales. Ising Decoding, quant à lui, concerne deux variantes utilisant des réseaux neuronaux convolutifs 3D, destinées à décoder en temps réel lors de la correction d’erreurs.
Ising améliore-t-il pyMatching ?
Selon NVIDIA, ses modèles de décodage sont jusqu’à 2,5 fois plus rapides et jusqu’à 3 fois plus précis que pyMatching, considéré comme le standard open source actuel dans le domaine.
Où peut-on télécharger NVIDIA Ising ?
Les modèles et ressources de la famille Ising sont déjà disponibles sur Hugging Face, dans le cadre de leur initiative open source lancée lors du dévoilement officiel.
Source : nvidianews.nvidia
