Los modelos de IA Ising de NVIDIA apuntan al mayor defecto de la computación cuántica

Darius Baruo 14 abr 2026 15:11

NVIDIA lanza Ising, modelos de IA de código abierto que ofrecen corrección de errores cuánticos 2.5 veces más rápida y 3 veces más precisa, acelerando potencialmente los sistemas cuánticos tolerantes a fallos.

NVIDIA lanzó sus primeros modelos de IA de código abierto diseñados específicamente para resolver el problema fundamental de la computación cuántica: qubits que fallan aproximadamente una vez cada mil operaciones. La familia de modelos Ising, anunciada el 14 de abril de 2026, ofrece corrección de errores 2.5 veces más rápida y hasta 3 veces más precisa que los métodos existentes.

Esa tasa de error necesita reducirse a uno en un billón antes de que las computadoras cuánticas sean genuinamente útiles para aplicaciones empresariales. NVIDIA apuesta a que la IA puede cerrar esa brecha.

Dos modelos, un problema

Ising se lanza con dos componentes especializados. El modelo de Calibración es un modelo de visión-lenguaje de 35 mil millones de parámetros que automatiza el tedioso proceso de ajustar procesadores cuánticos. En el nuevo benchmark QCalEval de NVIDIA, la primera prueba estandarizada para IA de calibración cuántica, Ising-Calibration-1 superó a Gemini 3.1 Pro en un 3.27%, a Claude Opus 4.6 en un 9.68% y a GPT 5.4 en un 14.5%.

Los modelos de Decodificación manejan la corrección de errores en tiempo real utilizando redes neuronales convolucionales 3D. La variante "Precisa" emparejada con PyMatching logra 2.33 microsegundos por ronda en hardware GB300 mientras mejora las tasas de error lógico en 1.53x. La variante "Rápida" intercambia algo de precisión por velocidad, alcanzando 0.11 microsegundos por ronda en 13 GPU GB300.

Por qué esto importa para el desarrollo cuántico

Los sistemas cuánticos actuales requieren intervención constante de computadoras clásicas para corregir errores antes de que se propaguen. Eso es computacionalmente brutal. El enfoque de NVIDIA esencialmente crea un plano de control impulsado por IA que puede escalar junto con las mejoras de hardware cuántico.

La compañía entrenó Ising-Calibration-1 con datos de socios que trabajan en múltiples tipos de qubits: qubits superconductores, puntos cuánticos, iones, átomos neutros y electrones sobre helio. Esa amplitud sugiere que los modelos deberían generalizarse en diferentes arquitecturas cuánticas en lugar de estar limitados al enfoque de un proveedor.

Los primeros adoptadores incluyen Harvard, Fermi National Accelerator Laboratory, IQM Quantum Computers y el UK National Physical Laboratory. Academia Sinica también está a bordo.

Código abierto con condiciones

Todo se distribuye bajo la Licencia de Modelo Abierto de NVIDIA: pesos, marcos de entrenamiento, herramientas de generación de datos sintéticos y recetas de implementación. Los constructores de QPU pueden ajustar finamente para las características específicas de ruido de su hardware mientras mantienen los datos propietarios en el sitio.

El marco de entrenamiento utiliza la biblioteca cuQuantum de NVIDIA y cuStabilizer para generar datos sintéticos sobre la marcha durante el entrenamiento de PyTorch. Los puntos de control preentrenados están disponibles en Hugging Face, con el modelo de calibración también accesible a través de las plataformas NVIDIA NIM y Build.

Para equipos que construyen sistemas híbridos cuántico-GPU, Ising se integra con la plataforma de software CUDA-Q existente de NVIDIA y la interconexión de hardware NVQLink. La API en tiempo real está construida sobre CUDA-Q QEC y CUDAQ-Realtime.

La línea de tiempo de la computación cuántica hacia la utilidad práctica sigue siendo incierta, pero NVIDIA claramente se está posicionando como la capa de infraestructura para lo que surja. Con la capitalización de mercado de NVDA situada en 4.67 billones de dólares, la compañía tiene recursos para jugar a largo plazo en cuántica mientras su negocio de GPU continúa generando dinero con la demanda de IA.

• nvidia
• computación cuántica
• inteligencia artificial
• ising
• corrección de errores