Nvidia ha presentado nuevos modelos de IA de pesos abiertos destinados a reducir las tasas de error en el hardware de computación cuántica, según informa go.theregister.com.
El fabricante de chips busca cerrar la enorme brecha de estabilidad que presentan los sistemas cuánticos actuales. Si bien la computación cuántica promete avances revolucionarios en áreas como la ciencia de materiales y las finanzas, incluso los sistemas más avanzados producen actualmente aproximadamente un error por cada mil operaciones.
Para que estos sistemas sean viables, Nvidia sostiene que las tasas de error deben reducirse eventualmente en un factor de mil millones. La nueva suite de software de la compañía utiliza el aprendizaje automático para cerrar esta brecha de fiabilidad.
Calibración cuántica automatizada
El primer lanzamiento, un modelo de visión y lenguaje de 35.000 millones de parámetros bajo el nombre en clave Ising Calibration, se centra en la optimización del hardware. El modelo fue entrenado con datos de sistemas asociados para ayudar a los desarrolladores a encontrar la configuración ideal que minimice el ruido del sistema.
Nvidia sugiere que este modelo podría funcionar dentro de un marco de agentes para automatizar el proceso de calibración. Mediante la transmisión de datos en tiempo real, el sistema podría realizar ajustes continuos hasta que las tasas de error caigan por debajo de umbrales específicos, un proceso que la empresa describe como "quantum autotune" (sintonización cuántica automática).
Debido a que el modelo es relativamente ligero, puede ejecutarse en hardware existente como la RTX Pro 6000 Blackwell o el sistema DGX Spark.
Si bien la calibración reduce la frecuencia de los errores, los modelos Ising Decoding de Nvidia tienen como objetivo gestionar los errores que sí llegan a producirse. Estos modelos utilizan una arquitectura de red neuronal convolucional (CNN) para detectar y corregir errores en tiempo real.
Los modelos de decodificación son significativamente más pequeños que el modelo de calibración. La versión Ising-Decoder-SurfaceCode-1 utiliza 912.000 parámetros, mientras que el modelo más grande, denominado "Accurate", emplea 1,79 millones de parámetros.
Según el informe, estos modelos diminutos pueden detectar errores entre 2,25 y 2,5 veces más rápido que los marcos de trabajo convencionales como PyMatching.
Nvidia ya ha puesto a disposición los pesos de Ising Calibration 1 e Ising Decoder SurfaceCode 1 en Hugging Face. La compañía también está proporcionando marcos de entrenamiento para ayudar a los desarrolladores a generar datos sintéticos y ajustar los modelos a arquitecturas cuánticas específicas.
