Der Technologie- und Computerriese Nvidia hat kürzlich eine Familie von Open-Source-Modellen für künstliche Intelligenz namens Ising veröffentlicht, bei der es sich nach eigenen Angaben um die weltweit erste KI-Modellsuite speziell für die Kalibrierung und Fehlerkorrektur von Quantencomputern handelt. NVIDIA sagte, diese Modellfamilie werde wissenschaftliche Forschungseinrichtungen und Unternehmen beim Bau leistungsfähigerer Quantencomputer unterstützen und ihnen die Möglichkeit geben, wirklich nützliche praktische Anwendungen in größerem Maßstab auszuführen.
Damit ein Quantencomputer komplexe Anwendungen ausführen kann, muss das System Quanteninformationseinheiten in einer Größenordnung von Millionen Qubits verarbeiten. Allerdings sind die Qubits selbst äußerst fragil, anfällig für Rauschstörungen und fehleranfällig. Mit zunehmender Größe von Quantencomputern muss das System in der Lage sein, die Fehlerkorrektur und Feinkalibrierung in Echtzeit während des Betriebs durchzuführen und Umgebungsschwankungen auszugleichen, um die Gültigkeit der Berechnungsergebnisse aufrechtzuerhalten. Jensen Huang, Gründer und CEO von NVIDIA, sagte: „KI ist der Schlüssel, um Quantencomputing praktisch umzusetzen.“ Seiner Ansicht nach wird mit Ising „KI zur Steuerungsebene von Quantenmaschinen werden – gleichbedeutend mit dem Betriebssystem von Quantenmaschinen, das fragile Qubits in skalierbare und zuverlässige Quanten-GPU-Systeme verwandelt.“
Der Name Ising stammt vom Ising-Modell, einem klassischen mathematischen Modell der Physik, das zur Beschreibung der Wechselwirkung zwischen Teilchenspins und zur prägnanteren Charakterisierung komplexer physikalischer Systeme verwendet wird. NVIDIA stellt dieses Mal zwei Arten von Modellen zur Verfügung: eines dient der Echtzeit-Fehlerkorrektur, das andere konzentriert sich auf die Kalibrierung von Quantensystemen.
Im Hinblick auf die Fehlerkorrektur ist Ising Decoding dafür verantwortlich, Quantenmessungen unter verrauschten Bedingungen in kohärente Ausgaben zu „dekodieren“. Es basiert auf einem dreidimensionalen Faltungs-Neuronalen Netzwerk und bietet zwei Varianten: eine auf Geschwindigkeit und die andere auf Genauigkeit. Nvidia behauptet, dass Ising Decoding im Vergleich zu pyMatching, einem in der aktuellen Open-Source-Branche häufig verwendeten Fehlerkorrekturtool, die Dekodierungsgeschwindigkeit um das bis zu 2,5-fache und die Genauigkeit um etwa das Dreifache steigern kann.
Im Hinblick auf die Kalibrierung richtet sich Ising Calibration vor allem an Physiker und Ingenieurteams und dient der Abstimmung, Messung und Optimierung von Steuersignalen von Quantenhardware. Zu diesen Steuersignalen gehören Mikrowellen, Laser und andere physikalische Mittel. Eine qualitativ hochwertige Quantenausgabe hängt in hohem Maße von einer präzisen Kalibrierung ab, um Problemen wie Rauschen, Hardware-Instabilität und Parameterdrift im Laufe der Zeit entgegenzuwirken. Laut NVIDIA handelt es sich bei Ising Calibration um ein visuelles Sprachmodell, das Messdaten von Quantenprozessoren schnell interpretieren und KI-Agenten dazu veranlassen kann, den Kalibrierungsprozess kontinuierlich und automatisch abzuschließen.
Als er über die zukünftige Roadmap sprach, sagte Sam Stanwyck, Produktdirektor von Nvidia Quantum, auf der Pressekonferenz, dass das Unternehmen sich entschieden habe, zuerst mit der Dekodierung und Kalibrierung zu beginnen, weil diese beiden Verbindungen die drängendsten Engpässe seien, die den Ausbau von Quantensystemen behindern. Er beschrieb die beiden als „KI-förmige Arbeitsbelastungen“ und glaubte, dass die Einführung von KI in diesen Bereichen unmittelbare und erhebliche Auswirkungen haben kann. Allerdings betonte er auch, dass Nvidias langfristige Vision nicht darauf beschränkt sei. Künftig soll die KI auch am Aufbau und der Optimierung von Quantenschaltkreisen beteiligt sein und die Dekodierung und Kalibrierung zu ersten Meilensteinen auf dem Weg zu Quanten-GPU-Supercomputing-Plattformen machen.
Derzeit werden Ising-Dekodierung und Ising-Kalibrierung zunehmend in Unternehmen und wissenschaftlichen Forschungseinrichtungen eingesetzt. Im Hinblick auf die Fehlerdekodierung haben die Cornell University, die Sandia National Laboratories, die University of California, San Diego, die University of California, Santa Barbara und andere Institutionen damit begonnen, entsprechende Modelle einzusetzen. Im Hinblick auf die Kalibrierung verwenden viele Unternehmen und Forschungsorganisationen, die mit Quantencomputern zu tun haben, wie Atom Computing, Academia Sinica, EeroQ, IonQ, IQM Quantum Computers, Q-CTRL usw., Ising Calibration bereits zum Debuggen und Optimieren von Systemen.
Um die Hürden bei der Nutzung abzubauen, hat NVIDIA außerdem eine Reihe von „Kochbuch“-Anleitungen veröffentlicht, die Workflow-Beispiele für Quantencomputing und unterstützende Trainingsdaten enthalten, und stellt Mikrodienste auf Basis von NVIDIA NIM bereit. Diese Ressourcen werden Entwicklern dabei helfen, Modelle basierend auf unterschiedlichen Quanten-Hardware-Architekturen anzupassen, zu trainieren und zu verfeinern und sie in lokalen Forschungsumgebungen auszuführen, wobei sie KI-Fähigkeiten nutzen und gleichzeitig sensible experimentelle Daten innerhalb der Institution behalten.