NVIDIA ने Ising सादर केले आहे, हे ओपन आर्टिफिशियल इंटेलिजन्स मॉडेल्सचे संकलन आहे ज्याचे वर्णन कंपनीने उपयुक्त क्वांटम कॉम्प्युटरच्या मार्गाला गती देण्यासाठी जगातील पहिले डिझाइन केले आहे. 23 जून 2026 रोजी रिलीझ झालेली, मॉडेल्स आजच्या प्रायोगिक क्वांटम हार्डवेअर आणि व्यावहारिक गणनेमध्ये उभ्या असलेल्या दोन सर्वात हट्टी समस्यांना लक्ष्य करतात: क्वांटम त्रुटी सुधारणे आणि क्यूबिट कॅलिब्रेशन.

हे प्रक्षेपण NVIDIA च्या विश्वासाला सूचित करते की शास्त्रीय AI, ज्या GPU वर आधीपासून वर्चस्व आहे त्यावर चालणारे, क्वांटम मशीनला व्यवहार्य बनवणारे संयोजी ऊतक म्हणून काम करेल. NVIDIA चे मुख्य कार्यकारी अधिकारी जेन्सेन हुआंग यांनी AI चे वर्णन क्वांटम मशीनचे "कंट्रोल प्लेन" म्हणून स्पष्टपणे केले आहे. For more context on this story, see our ongoing breaking AI news.

AI क्वांटम कंट्रोल प्लेन म्हणून

क्वांटम कॉम्प्युटर काही समस्या सोडवण्याचे वचन धारण करतात, जसे की आण्विक सिम्युलेशन आणि क्रिप्टोग्राफी, शास्त्रीय मशीन्सपेक्षा खूप जलद. परंतु आजचे क्वांटम प्रोसेसर गोंगाट करणारे आणि त्रुटी-प्रवण आहेत. Qubits, क्वांटम माहितीची मूलभूत एकके, त्यांच्या नाजूक क्वांटम अवस्था एका सेकंदाच्या अपूर्णांकांमध्ये गमावतात आणि त्यांना स्थिर ठेवण्यासाठी स्थिर, अचूक कॅलिब्रेशन आवश्यक असते.

तिथेच NVIDIA उघडते. क्वांटम प्रोसेसर स्वतः तयार करण्यासाठी स्पर्धा करण्याऐवजी, कंपनी तिचे AI सॉफ्टवेअर आणि GPU इन्फ्रास्ट्रक्चरला इतरांनी तयार केलेल्या क्वांटम हार्डवेअरचे वर्तन व्यवस्थापित करते, स्थिर करते आणि दुरुस्त करते. आयसिंग मॉडेल्सचा उद्देश संशोधक आणि हार्डवेअर निर्मात्यांना मशीन लर्निंग लागू करण्यासाठी त्रुटी शोधण्यासाठी आणि दुरुस्त करण्यासाठी आणि क्यूबिट्स अधिक कार्यक्षमतेने ट्यून करण्यासाठी मदत करण्यासाठी आहे.

ओपन वेट म्हणून मॉडेल्स रिलीझ करून, NVIDIA व्यापक क्वांटम संशोधन समुदायाला त्यांचा अवलंब करण्यासाठी, अभ्यास करण्यासाठी आणि सुधारण्यासाठी प्रोत्साहित करत आहे, एक धोरण जे ओपन-वेट दृष्टिकोनाचे प्रतिबिंब आहे ज्याने भाषा मॉडेल लँडस्केपला आकार दिला आहे.

क्वांटम एरर करेक्शन मीट्स मशीन लर्निंग

क्वांटम त्रुटी सुधारणे हे क्षेत्राचे केंद्रीय अभियांत्रिकी आव्हान आहे. क्वांटम स्थिती थेट निरीक्षण केल्यावर संकुचित झाल्यामुळे, संशोधकांनी ते संरक्षित करण्याचा प्रयत्न करत असलेली माहिती नष्ट न करता त्रुटी शोधण्यासाठी आणि त्यांचे निराकरण करण्यासाठी अप्रत्यक्ष पद्धती वापरल्या पाहिजेत. पारंपारिक त्रुटी-सुधारणा तंत्रे प्रचंड ओव्हरहेडची मागणी करतात, एकच विश्वासार्ह, किंवा तार्किक, क्यूबिट तयार करण्यासाठी अनेक भौतिक क्यूबिट्स आवश्यक असतात.

मशीन लर्निंग संभाव्य शॉर्टकट ऑफर करते. एआय मॉडेल्स त्रुटींचे नमुने ओळखणे आणि डेटामधून दुरुस्त्यांचा अंदाज घेणे शिकू शकतात, संभाव्यतः पारंपारिक डीकोडिंग अल्गोरिदमचे ओव्हरहेड आणि विलंब कमी करू शकतात. NVIDIA चे Ising मॉडेल या अंतरामध्ये ऑपरेट करण्यासाठी तयार केले गेले आहेत, त्रुटी-सुधारणा आणि कॅलिब्रेशन कार्यांसाठी प्रशिक्षित न्यूरल नेटवर्क लागू करतात जे सध्या महत्त्वपूर्ण वेळ वापरतात आणि क्वांटम सिस्टमवर गणना करतात.

सुरुवातीचे वास्तविक-जागतिक परिणाम

वचनाची वास्तविक हार्डवेअरमध्ये चाचणी केली जात आहे. फोटोनिक क्वांटम कंप्युटिंग कंपनी Aegiq ने घोषणा केली की त्यांनी NVIDIA ची Ising AI मॉडेल्स त्याच्या फोटोनिक क्वांटम सिस्टीमचे स्वयंचलित कॅलिब्रेशन करण्यासाठी तैनात केले आहेत, असे अहवाल दिले गेले आहेत की मागील पद्धतींच्या तुलनेत AI ने कॅलिब्रेशन वेळ तीन घटकांनी कमी केला आहे.

ज्या फील्डसाठी मॅन्युअल ट्यूनिंगचे तास नियमित असतात, अशा प्रकारची घट लक्षणीय आहे. जलद, AI-चालित कॅलिब्रेशन क्वांटम हार्डवेअर संघांना उपयुक्त गणनेसाठी अधिक वेळ आणि त्यांची मशीन स्थिर ठेवण्यासाठी कमी वेळ देऊ शकते. Aegiq ने मोठ्या प्रमाणात फ्लुइड सिम्युलेशनसाठी टेन्सर नेटवर्क पद्धतींसह NVIDIA-प्रवेगक दृष्टीकोन देखील एकत्र केला, ज्यामध्ये AI आणि क्वांटम-प्रेरित तंत्रे एकमेकांच्या बरोबरीने कार्य करतात अशा हायब्रिड मॉडेलकडे निर्देश करतात.

विज्ञानासाठी AI वर एक विस्तृत पैज

आयसिंग लाँच हा त्याच कालावधीत अनावरण केलेल्या वैज्ञानिक संगणनामध्ये व्यापक NVIDIA पुशचा भाग आहे. ISC सुपरकॉम्प्युटिंग कॉन्फरन्समध्ये, कंपनीने नवीन सॉफ्टवेअर लायब्ररी सादर केल्या ज्याचे उद्दिष्ट रसायनशास्त्र, साहित्य शोध, आणि अगदी गडद पदार्थाचा शोध देखील आहे, ज्याचे तंत्रज्ञान आता जगातील 500 सर्वात वेगवान सुपरकॉम्प्युटरपैकी 400 पेक्षा जास्त शक्तिशाली आहे.

NVIDIA ने लाइफ सायन्सेससाठी नवीन AI एजंट टूलकिटचे तपशीलवार वर्णन केले आणि त्याच्या नवीनतम CPU ने सुसज्ज सुपर कॉम्प्युटर बनवणाऱ्या राष्ट्रीय प्रयोगशाळांसह भागीदारी ठळक केली. सामान्य धागा हा एक विश्वास आहे की AI मॉडेल्स, अधिकाधिक सक्षम आणि वाढत्या प्रमाणात उघडलेले, औषध शोधापासून क्वांटम भौतिकशास्त्रापर्यंत, विज्ञानातील सर्वात कठीण समस्यांमध्ये सामान्य-उद्देश प्रवेगक म्हणून काम करू शकतात.

क्वांटम स्टॉक्स प्रतिक्रिया

या घोषणेला बाजाराने त्वरित प्रतिसाद दिला. NVIDIA च्या Ising मॉडेल्सच्या पदार्पणानंतर क्वांटम कंप्युटिंग कंपन्यांचे शेअर्स झपाट्याने वाढले, ज्यात D-Wave Quantum (QBTS), Rigetti Computing (RGTI), आणि Quantum Computing Inc. (QUBT) सह क्वांटम-केंद्रित स्टॉक्स सर्व उल्लेखनीय नफा पोस्ट करत आहेत. गुंतवणुकदारांनी NVIDIA च्या समर्थनाचा आणि त्याच्या खुल्या AI टूलिंगचा अर्थ लावला की क्वांटम क्षेत्र व्यावसायिक प्रासंगिकतेच्या जवळ येत आहे.

क्वांटम कंप्युटिंगच्या आसपासची भावना व्यापक एआय बूमशी किती घनिष्ठपणे बांधली गेली आहे हे रॅली अधोरेखित करते. जेव्हा अग्रगण्य GPU कंपनी क्वांटम हार्डवेअरला अधिक व्यावहारिक बनवण्यासाठी स्पष्टपणे डिझाइन केलेले मॉडेल रिलीझ करते, तेव्हा ते क्वांटमला शास्त्रीय संगणनाला दूरचे प्रतिस्पर्धी म्हणून नव्हे तर AI ची मदत करेल अशी समीप सीमा म्हणून रीफ्रेम करते.

येथे उघडे वजन का महत्त्वाचे आहे

आयसिंग मॉडेल्सला ओपन वेट म्हणून रिलीझ करण्याचा NVIDIA चा निर्णय लक्षणीय आहे कारण क्वांटम एरर दुरुस्त करणे हे असे क्षेत्र आहे जिथे वैयक्तिक हार्डवेअर कंपन्या आणि शैक्षणिक प्रयोगशाळांमध्ये प्रगती पारंपारिकपणे बंद केली गेली आहे. ओपन मॉडेल्स संशोधकांसाठी AI-सहाय्यित सुधारणेसह प्रयोग करण्यासाठी प्रोप्रायटरी डीकोडरमध्ये प्रवेश न करता अडथळा कमी करतात.

जर मुक्त दृष्टीकोन धारण केला, तर ते मोठ्या भाषेच्या मॉडेल्सना पुढे नेणाऱ्या सहयोगी, क्रॉस-संस्थेच्या प्रगतीला गती देऊ शकते. संशोधक प्रत्येक नवीन क्वांटम प्लॅटफॉर्मसाठी कॅलिब्रेशन आणि सुधारणा सॉफ्टवेअर पुन्हा शोधण्याऐवजी त्यांच्या स्वत: च्या हार्डवेअरवरील डेटावर मॉडेल्स फाईन-ट्यून करू शकतात, सुधारणा सामायिक करू शकतात आणि एक सामान्य टूलकिट तयार करू शकतात.

उपयुक्त क्वांटम संगणनाचा मार्ग

क्वांटम कंप्युटिंगने सावध आशावादाच्या स्थितीत वर्षे घालवली आहेत, संशोधकांनी वारंवार सावध केले आहे की दोष-सहिष्णु, व्यापकपणे उपयुक्त मशीन वर्षानुवर्षे दूर राहतील. NVIDIA दावा करत नाही की Ising ही समस्या पूर्णपणे सोडवते. त्याऐवजी, कंपनी सट्टेबाजी करत आहे की AI अभियांत्रिकी अडथळे, एक कॅलिब्रेशन सायकल आणि एका वेळी एक त्रुटी दूर करून टाइमलाइन संकुचित करू शकते.

त्या पैजेची किंमत चुकते की नाही हे संशोधन समुदाय मॉडेल्सचा किती प्रभावीपणे अवलंब करते आणि ते सुरुवातीच्या Aegiq परिणामांच्या पलीकडे किती वास्तविक-जागतिक कामगिरी देतात यावर अवलंबून असेल. परंतु इसिंगसह, NVIDIA ने एक स्पष्ट रेषा आखली आहे: उपयुक्त क्वांटम संगणनाचे भविष्य, त्याच्या दृष्टीने, AI च्या पायावर बांधले जाईल.

---

Stay Ahead of AI

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

Read more AI news →