NVIDIA hat Ising eingeführt, eine Sammlung offener Modelle für künstliche Intelligenz, die das Unternehmen als weltweit erste bezeichnet, die den Weg zu nützlichen Quantencomputern beschleunigen soll. Die am 23. Juni 2026 veröffentlichten Modelle zielen auf zwei der hartnäckigsten Probleme ab, die zwischen der heutigen experimentellen Quantenhardware und der praktischen Berechnung stehen: Quantenfehlerkorrektur und Qubit-Kalibrierung.

Der Start unterstreicht die Überzeugung von NVIDIA, dass die klassische KI, die auf den GPUs läuft, die sie bereits dominiert, als Bindegewebe dienen wird, das Quantenmaschinen realisierbar macht. Jensen Huang, CEO von NVIDIA, hat die Beziehung unverblümt dargelegt und KI als „Kontrollebene“ von Quantenmaschinen beschrieben. Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Branchenberichterstattung.

KI als Quantenkontrollebene

Quantencomputer versprechen, bestimmte Probleme wie molekulare Simulation und Kryptographie weitaus schneller zu lösen als klassische Maschinen. Doch die heutigen Quantenprozessoren sind nach wie vor laut und fehleranfällig. Qubits, die Grundeinheiten der Quanteninformation, verlieren ihre empfindlichen Quantenzustände innerhalb von Sekundenbruchteilen, und um sie stabil zu halten, ist eine ständige, präzise Kalibrierung erforderlich.

Hier sieht NVIDIA eine Öffnung. Anstatt selbst um den Bau von Quantenprozessoren zu konkurrieren, positioniert das Unternehmen seine KI-Software und GPU-Infrastruktur als die Schicht, die das Verhalten der von anderen gebauten Quantenhardware verwaltet, stabilisiert und korrigiert. Die Ising-Modelle sollen Forschern und Hardwareherstellern dabei helfen, maschinelles Lernen anzuwenden, um Fehler zu erkennen und zu korrigieren und Qubits effizienter abzustimmen.

Durch die Veröffentlichung der Modelle als offene Gewichte ermutigt NVIDIA die breitere Quantenforschungsgemeinschaft, sie zu übernehmen, zu untersuchen und zu verbessern, eine Strategie, die den Ansatz der offenen Gewichte widerspiegelt, der die Landschaft der Sprachmodelle neu gestaltet hat.

Quantenfehlerkorrektur trifft auf maschinelles Lernen

Die Quantenfehlerkorrektur ist die zentrale technische Herausforderung auf diesem Gebiet. Da Quantenzustände bei direkter Beobachtung zusammenbrechen, müssen Forscher indirekte Methoden verwenden, um Fehler zu erkennen und zu beheben, ohne die Informationen zu zerstören, die sie schützen möchten. Herkömmliche Fehlerkorrekturtechniken erfordern einen enormen Overhead, da viele physische Qubits erforderlich sind, um ein einziges zuverlässiges oder logisches Qubit zu bilden.

Maschinelles Lernen bietet eine mögliche Abkürzung. KI-Modelle können lernen, Fehlermuster zu erkennen und Korrekturen aus Daten vorherzusagen, wodurch möglicherweise der Overhead und die Latenz herkömmlicher Decodierungsalgorithmen reduziert werden. Die Ising-Modelle von NVIDIA sind darauf ausgelegt, diese Lücke zu schließen und trainierte neuronale Netze auf Fehlerkorrektur- und Kalibrierungsaufgaben anzuwenden, die derzeit auf Quantensystemen viel Zeit und Rechenleistung in Anspruch nehmen.

Frühe Ergebnisse aus der Praxis

Das Versprechen wird bereits in realer Hardware getestet. Das Unternehmen für photonisches Quantencomputing, Aegiq, gab bekannt, dass es die Ising-KI-Modelle von NVIDIA eingesetzt hat, um die Kalibrierung seines photonischen Quantensystems zu automatisieren. Berichten zufolge verkürzte KI die Kalibrierungszeit im Vergleich zu früheren Methoden um den Faktor drei.

Für einen Bereich, in dem stundenlanges manuelles Tuning zur Routine gehört, ist diese Art der Reduzierung erheblich. Durch eine schnellere, KI-gesteuerte Kalibrierung könnten Quantenhardware-Teams mehr Zeit mit der Durchführung nützlicher Berechnungen verbringen und weniger Zeit damit verbringen, ihre Maschinen einfach stabil zu halten. Aegiq kombinierte außerdem den NVIDIA-beschleunigten Ansatz mit Tensornetzwerkmethoden für groß angelegte Flüssigkeitssimulationen und wies auf ein Hybridmodell hin, in dem KI und quanteninspirierte Techniken nebeneinander arbeiten.

Eine umfassendere Wette auf KI für die Wissenschaft

Der Start in Ising ist Teil eines umfassenderen Vorstoßes von NVIDIA in die wissenschaftliche Datenverarbeitung, der etwa im gleichen Zeitraum vorgestellt wurde. Auf der ISC-Supercomputing-Konferenz stellte das Unternehmen neue Softwarebibliotheken vor, die auf Chemie, Materialentdeckung und sogar die Suche nach Dunkler Materie abzielen, und kündigte gleichzeitig an, dass seine Technologie mittlerweile über 400 der 500 schnellsten Supercomputer der Welt antreibt.

NVIDIA erläuterte außerdem neue KI-Agenten-Toolkits für die Biowissenschaften und hob Partnerschaften mit nationalen Labors hervor, die Supercomputer bauen, die mit den neuesten CPUs ausgestattet sind. Der rote Faden ist die Überzeugung, dass KI-Modelle, die immer leistungsfähiger und offener werden, als universelle Beschleuniger für die schwierigsten Probleme der Wissenschaft dienen können, von der Arzneimittelforschung bis zur Quantenphysik.

Quantenaktien reagieren

Der Markt reagierte schnell auf die Ankündigung. Die Aktien von Quantencomputerunternehmen stiegen nach der Einführung der Ising-Modelle durch NVIDIA deutlich an, wobei quantenfokussierte Aktien wie D-Wave Quantum (QBTS), Rigetti Computing (RGTI) und Quantum Computing Inc. (QUBT) alle bemerkenswerte Zuwächse verbuchten. Investoren interpretierten die Unterstützung von NVIDIA und seine offenen KI-Tools als Bestätigung dafür, dass der Quantensektor immer näher an kommerzieller Relevanz ist.

Die Rallye unterstreicht, wie eng die Stimmung rund um das Quantencomputing mit dem breiteren KI-Boom verknüpft ist. Wenn das führende GPU-Unternehmen Modelle herausbringt, die explizit darauf ausgelegt sind, Quantenhardware praktischer zu machen, definiert es Quanten nicht als entfernte Konkurrenz zum klassischen Computing, sondern als angrenzende Grenze, die KI zähmen helfen wird.

Warum offene Gewichte hier wichtig sind

Die Entscheidung von NVIDIA, die Ising-Modelle als offene Gewichte zu veröffentlichen, ist bemerkenswert, da die Quantenfehlerkorrektur ein Bereich ist, in dem Fortschritte traditionell innerhalb einzelner Hardware-Unternehmen und akademischer Labore isoliert wurden. Offene Modelle senken die Hürde für Forscher, die keinen Zugang zu proprietären Decodern haben, um mit KI-gestützter Korrektur zu experimentieren.

Wenn sich der offene Ansatz durchsetzt, könnte er den kollaborativen, institutionenübergreifenden Fortschritt beschleunigen, der große Sprachmodelle vorangetrieben hat. Forscher können die Modelle anhand der Daten ihrer eigenen Hardware verfeinern, Verbesserungen austauschen und ein gemeinsames Toolkit erstellen, anstatt die Kalibrierungs- und Korrektursoftware für jede neue Quantenplattform neu zu erfinden.

Der Weg zum nützlichen Quantencomputing

Das Quantencomputing befindet sich seit Jahren in einem Zustand vorsichtigen Optimismus, wobei Forscher immer wieder darauf hingewiesen haben, dass fehlertolerante, allgemein nützliche Maschinen noch Jahre entfernt sind. NVIDIA behauptet nicht, dass Ising dieses Problem vollständig löst. Stattdessen setzt das Unternehmen darauf, dass KI den Zeitrahmen verkürzen kann, indem sie die technischen Engpässe beseitigt, einen Kalibrierungszyklus und einen korrigierten Fehler nach dem anderen.

Ob sich diese Wette auszahlt, hängt davon ab, wie effektiv die Forschungsgemeinschaft die Modelle übernimmt und wie viel reale Leistung sie über die ersten Aegiq-Ergebnisse hinaus liefern. Aber mit Ising hat NVIDIA eine klare Linie gezogen: Die Zukunft des nützlichen Quantencomputings wird seiner Ansicht nach auf der Grundlage von KI aufgebaut.

---

Bleib vorne bei KI

Die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Mehr KI-Nachrichten lesen →