انویدیا Ising را معرفی کرده است، مجموعه ای از مدل های هوش مصنوعی باز که این شرکت آن را به عنوان اولین مدل طراحی شده در جهان برای تسریع مسیر به سمت کامپیوترهای کوانتومی مفید توصیف می کند. این مدل‌ها که در 23 ژوئن 2026 منتشر شدند، دو مورد از سرسخت‌ترین مشکلات موجود بین سخت‌افزار کوانتومی تجربی امروزی و محاسبات عملی را هدف قرار می‌دهند: تصحیح خطای کوانتومی و کالیبراسیون کیوبیت.

این راه‌اندازی نشان‌دهنده این باور انویدیا است که هوش مصنوعی کلاسیک، که روی پردازنده‌های گرافیکی تحت تسلط خود کار می‌کند، به عنوان بافت پیوندی عمل می‌کند که ماشین‌های کوانتومی را زنده می‌کند. جنسن هوانگ، مدیر عامل انویدیا، این رابطه را به صراحت بیان کرده و هوش مصنوعی را به عنوان "صفحه کنترل" ماشین های کوانتومی توصیف کرده است. For more context on this story, see our ongoing AI news.

هوش مصنوعی به عنوان صفحه کنترل کوانتومی

رایانه‌های کوانتومی نوید حل مشکلات خاصی مانند شبیه‌سازی مولکولی و رمزنگاری را بسیار سریع‌تر از ماشین‌های کلاسیک دارند. اما پردازنده های کوانتومی امروزی همچنان پر سر و صدا و مستعد خطا هستند. کیوبیت‌ها، واحدهای پایه اطلاعات کوانتومی، حالت‌های کوانتومی ظریف خود را در کسری از ثانیه از دست می‌دهند و ثابت نگه داشتن آن‌ها نیازمند کالیبراسیون ثابت و دقیق است.

اینجاست که NVIDIA یک باز می بیند. این شرکت به جای رقابت برای ساخت پردازنده های کوانتومی، نرم افزار هوش مصنوعی و زیرساخت GPU خود را به عنوان لایه ای قرار می دهد که رفتار سخت افزار کوانتومی ساخته شده توسط دیگران را مدیریت، تثبیت و تصحیح می کند. مدل‌های Ising برای کمک به محققان و سازندگان سخت‌افزار طراحی شده‌اند تا از یادگیری ماشین برای شناسایی و تصحیح خطاها و تنظیم مؤثرتر کیوبیت‌ها استفاده کنند.

NVIDIA با انتشار مدل‌ها به‌عنوان وزن‌های باز، جامعه تحقیقاتی کوانتومی گسترده‌تر را تشویق می‌کند تا آنها را بپذیرند، مطالعه کنند، و بهبود ببخشند، استراتژی که منعکس‌کننده رویکرد وزن‌های باز است که چشم‌انداز مدل زبان را تغییر داده است.

تصحیح خطای کوانتومی با یادگیری ماشینی روبرو می شود

تصحیح خطای کوانتومی چالش اصلی مهندسی این رشته است. از آنجایی که حالت‌های کوانتومی با مشاهده مستقیم از بین می‌روند، محققان باید از روش‌های غیرمستقیم برای شناسایی و رفع خطاها بدون از بین بردن اطلاعاتی که می‌خواهند محافظت کنند، استفاده کنند. تکنیک‌های مرسوم تصحیح خطا، هزینه‌های زیادی را طلب می‌کنند، با کیوبیت‌های فیزیکی زیادی برای تشکیل یک کیوبیت قابل اعتماد یا منطقی لازم است.

یادگیری ماشینی یک میانبر بالقوه ارائه می دهد. مدل‌های هوش مصنوعی می‌توانند یاد بگیرند که الگوهای خطاها را تشخیص دهند و اصلاحات را از داده‌ها پیش‌بینی کنند و به طور بالقوه سربار و تأخیر الگوریتم‌های رمزگشایی سنتی را کاهش دهند. مدل‌های Ising NVIDIA برای عملکرد در این شکاف ساخته شده‌اند و از شبکه‌های عصبی آموزش‌دیده برای تصحیح خطا و وظایف کالیبراسیون استفاده می‌کنند که در حال حاضر زمان و محاسبه قابل‌توجهی را روی سیستم‌های کوانتومی مصرف می‌کنند.

نتایج اولیه دنیای واقعی

این وعده در حال حاضر در سخت افزار واقعی آزمایش شده است. شرکت محاسبات کوانتومی فوتونیک Aegiq اعلام کرد که مدل‌های Ising AI NVIDIA را برای خودکارسازی کالیبراسیون سیستم کوانتومی فوتونی خود به کار گرفته است، با نتایج گزارش شده که هوش مصنوعی زمان کالیبراسیون را در مقایسه با روش‌های قبلی سه برابر کاهش داد.

برای زمینه ای که ساعت ها تنظیم دستی معمول است، این نوع کاهش قابل توجه است. کالیبراسیون سریع‌تر و مبتنی بر هوش مصنوعی می‌تواند به تیم‌های سخت‌افزار کوانتومی اجازه دهد زمان بیشتری را صرف انجام محاسبات مفید و زمان کمتری صرفاً برای پایدار نگه داشتن ماشین‌های خود کنند. Aegiq همچنین رویکرد شتاب‌دهی NVIDIA را با روش‌های شبکه تانسور برای شبیه‌سازی سیال در مقیاس بزرگ ترکیب کرد و به یک مدل ترکیبی اشاره کرد که در آن تکنیک‌های هوش مصنوعی و الهام‌گرفته از کوانتوم در کنار یکدیگر کار می‌کنند.

شرط بندی گسترده تر روی هوش مصنوعی برای علم

راه اندازی Ising بخشی از یک فشار گسترده تر NVIDIA به محاسبات علمی است که در همان دوره رونمایی شد. در کنفرانس ابررایانه ISC، این شرکت کتابخانه‌های نرم‌افزاری جدیدی را با هدف شیمی، کشف مواد و حتی جستجوی ماده تاریک معرفی کرد، در کنار اعلامیه‌هایی مبنی بر اینکه فناوری آن اکنون بیش از 400 ابرکامپیوتر از 500 سریع‌ترین ابررایانه جهان را تامین می‌کند.

انویدیا همچنین ابزارهای عامل هوش مصنوعی جدیدی را برای علوم زیستی توضیح داد و همکاری با آزمایشگاه های ملی ساخت ابررایانه های مجهز به آخرین CPU های خود را برجسته کرد. موضوع مشترک این باور است که مدل‌های هوش مصنوعی، که به طور فزاینده‌ای توانایی دارند و به طور فزاینده‌ای باز می‌شوند، می‌توانند به عنوان شتاب‌دهنده‌های همه‌منظوره در سخت‌ترین مشکلات علم، از کشف دارو تا فیزیک کوانتومی، عمل کنند.

سهام کوانتومی واکنش نشان می دهند

بازار به سرعت به این اطلاعیه واکنش نشان داد. سهام شرکت‌های محاسباتی کوانتومی پس از معرفی مدل‌های Ising توسط NVIDIA، با سهام‌های متمرکز کوانتومی از جمله D-Wave Quantum (QBTS)، Rigetti Computing (RGTI) و Quantum Computing Inc. (QUBT) به شدت بالاتر رفتند. سرمایه گذاران تایید انویدیا و ابزارهای هوش مصنوعی باز آن را به عنوان تاییدیه ای تفسیر کردند که بخش کوانتومی در حال نزدیک تر شدن به ارتباط تجاری است.

این رالی نشان می‌دهد که چقدر احساسات پیرامون محاسبات کوانتومی با رونق گسترده‌تر هوش مصنوعی مرتبط شده است. وقتی شرکت پیشرو GPU مدل‌هایی را منتشر می‌کند که به صراحت برای کاربردی‌تر کردن سخت‌افزار کوانتومی طراحی شده‌اند، کوانتوم را نه به‌عنوان رقیب دور محاسباتی کلاسیک، بلکه به‌عنوان یک مرز مجاور که هوش مصنوعی به رام کردن آن کمک می‌کند، دوباره قاب‌بندی می‌کند.

چرا وزن باز در اینجا مهم است

تصمیم انویدیا برای عرضه مدل‌های Ising به عنوان وزن‌های باز قابل توجه است زیرا تصحیح خطای کوانتومی زمینه‌ای است که به طور سنتی پیشرفت در شرکت‌های سخت‌افزاری و آزمایشگاه‌های آکادمیک پنهان شده است. مدل‌های باز موانع را برای محققان بدون دسترسی به رمزگشاهای اختصاصی برای آزمایش تصحیح به کمک هوش مصنوعی کاهش می‌دهند.

اگر رویکرد باز پابرجا باشد، می‌تواند نوعی پیشرفت مشارکتی و بین مؤسسه‌ای را که مدل‌های زبانی بزرگ را به جلو سوق داد، سرعت بخشد. محققان می‌توانند مدل‌ها را بر روی داده‌های سخت‌افزار خودشان تنظیم کنند، پیشرفت‌ها را به اشتراک بگذارند و یک جعبه ابزار مشترک بسازند به جای اینکه نرم‌افزار کالیبراسیون و اصلاح را برای هر پلتفرم کوانتومی جدید اختراع کنند.

راه به سوی محاسبات کوانتومی مفید

محاسبات کوانتومی سال‌ها را در حالت خوش‌بینی محتاطانه سپری کرده است و محققان مکرراً هشدار می‌دهند که ماشین‌های متحمل خطا و مفید سال‌ها باقی مانده‌اند. NVIDIA ادعا نمی کند که Ising این مشکل را به طور کامل حل می کند. در عوض، این شرکت شرط می‌بندد که هوش مصنوعی می‌تواند با حذف گلوگاه‌های مهندسی، یک چرخه کالیبراسیون و یک خطای تصحیح شده، جدول زمانی را فشرده کند.

اینکه آیا این شرط‌بندی به ثمر می‌رسد بستگی به این دارد که جامعه پژوهشی چقدر مدل‌ها را به طور مؤثری اتخاذ می‌کند و چقدر عملکرد واقعی آنها فراتر از نتایج اولیه Aegiq ارائه می‌شود. اما با Ising، انویدیا یک خط روشن ترسیم کرده است: از نظر آن، آینده محاسبات کوانتومی مفید بر اساس هوش مصنوعی ساخته خواهد شد.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →