Nvidia tìm ra "mảnh ghép" còn thiếu cho máy tính lượng tử: Chính là AI

Máy tính lượng tử hứa hẹn mang lại bước tiến vượt bậc về tốc độ xử lý cho các bài toán trong khoa học vật liệu, hậu cần và mô hình tài chính. Tuy nhiên, rào cản lớn nhất hiện nay là độ tin cậy, và Nvidia tin rằng các mô hình AI của mình chính là chìa khóa để giải quyết vấn đề này.

Khi bạn có một chiếc búa GPU trong tay, mọi vấn đề đều bắt đầu trông giống như một chiếc đinh AI. Vào thứ Ba, "gã khổng lồ" đồ họa đã tung ra các mô hình trọng số mở (open weights) mới được thiết kế riêng để hỗ trợ các nhà phát triển phần cứng lượng tử giảm thiểu tỷ lệ lỗi của bộ xử lý.

Thách thức về tỷ lệ lỗi

Theo Nvidia, ngay cả những hệ thống lượng tử tốt nhất hiện nay cũng sinh ra lỗi khoảng một lần trên mỗi nghìn thao tác. Để chúng thực sự hữu ích trong thực tế, tỷ lệ lỗi này cần phải được giảm xuống một tỷ lần. Để đạt được mục tiêu này, Nvidia đã giới thiệu hai giải pháp AI chính.

Ising Calibration: Tối ưu hóa hiệu suất

Mô hình đầu tiên có tên mã là Ising Calibration. Đây là một mô hình ngôn ngữ thị giác (vision-language model) khổng lồ với 35 tỷ tham số, được đào tạo trên dữ liệu từ các hệ thống đối tác. Mục tiêu của nó là giúp các nhà phát triển thiết lập các thông số lý tưởng để giảm thiểu nhiễu trong hệ thống.

Nvidia khẳng định mô hình này có thể được tích hợp vào một khung tác nhân (agentic framework) để tự động hóa hoàn toàn quy trình. Bằng cách luân chuyển dữ liệu thu thập được và thực hiện các điều chỉnh, hệ thống sẽ tự động giảm tỷ lệ lỗi xuống dưới ngưỡng cho phép. Về mặt này, nó hoạt động tương tự như tính năng "autotune" trong máy tính lượng tử.

Mặc dù có số lượng tham số lớn, Ising Calibration được thiết kế khá nhẹ nhàng và có thể chạy dễ dàng trên các card đồ họa RTX Pro 6000 Blackwell hoặc hệ thống dựa trên Nvidia GB10 như DGX Spark.

Ising Decoding: Sửa lỗi thời gian thực

Dù Ising Calibration giúp giảm tần suất xuất hiện lỗi, nó không thể loại bỏ hoàn toàn chúng. Đây là lúc các mô hình Ising Decoding phát huy tác dụng. Có sẵn hai kích thước, các mô hình này được thiết kế để phát hiện và sửa lỗi trong thời gian thực.

Để thực hiện điều này, Nvidia đã sử dụng kiến trúc mạng nơ-ron tích chập (CNN) cũ nhưng hiệu quả. So với Ising Calibration, các mô hình này cực kỳ nhỏ gọn với chỉ 912.000 tham số cho phiên bản Ising-Decoder-SurfaceCode-1 và 1,79 triệu tham số cho phiên bản "Accurate" lớn hơn. Điều này cho phép chúng bắt lỗi nhanh hơn từ 2,25 đến 2,5 lần so với các phương pháp truyền thống sử dụng PyMatching.

Khả dụng và Chiến lược của Nvidia

Các trọng số cho Ising Calibration 1 và Ising Decoder SurfaceCode 1 hiện đã có sẵn trên Hugging Face. Ngoài ra, Ising Calibration 1 cũng xuất hiện trên Nvidia Build dưới dạng một vi dịch vụ suy luận (NIM). Song song với các mô hình này, Nvidia cũng cung cấp các khung đào tạo để giúp nhà phát triển tạo dữ liệu tổng hợp và tinh chỉnh mô hình cho hệ thống cụ thể của mình, cũng như các bản thiết kế suy luận để triển khai.

Đây là bước đi mới nhất trong chuỗi đầu tư của Nvidia vào lĩnh vực máy tính lượng tử trong vài năm qua, bao gồm từ phần cứng, thư viện phần mềm cho đến một trung tâm nghiên cứu với cụm siêu máy tính dựa trên Blackwell.