تخطَّ إلى المحتوى
NerdLevelTech
الذكاء الاصطناعي والتعلم الآلي

NVIDIA Ising: نماذج Open AI للـ Fault-Tolerant Quantum

NVIDIA Ising (١٤ أبريل ٢٠٢٦): أول عائلة نماذج ذكاء اصطناعي مفتوحة للحوسبة الكمية، مع VLM للمعايرة و decoders تتفوق على pyMatching بمقدار ٢.٥ ضعف.

Nerd Level Techنُشر في ١٣ دقيقة للقراءةEnglish
صورة غلاف: NVIDIA Ising: نماذج Open AI للـ Fault-Tolerant Quantum
جدول المحتويات

في ١٤ أبريل ٢٠٢٦ — اليوم العالمي للكم — أطلقت NVIDIA نموذج Ising، وهو عائلة نماذج ذكاء اصطناعي مفتوحة المصدر تستهدف اثنتين من أصعب المشكلات التي تواجه المعالجات الكمومية المزعجة الحالية والمعالجات المفيدة في المستقبل: فك تشفير تصحيح الأخطاء في الوقت الفعلي ومعايرة المعالج.١٢ تصف NVIDIA نموذج Ising بأنه أول عائلة في العالم من نماذج الذكاء الاصطناعي المفتوحة للحوسبة الكمومية.١ يجمع الإصدار بين نموذج لغة ورؤية (vision-language model) بـ ٣٥ مليار معلمة (35B-parameter) تم تدريبه على مخططات التجارب الكمومية، مع زوج من مفككات التشفير المدمجة بتقنية 3D CNN التي تصنفها NVIDIA بأنها أسرع بما يصل إلى ٢٫٥ مرة وأكثر دقة بـ ٣ مرات من pyMatching، وهو مفكك التشفير مفتوح المصدر الأكثر استخدامًا لتصحيح أخطاء الكود السطحي (surface-code).٣٤

ملخص

Ising هي عائلة مكونة من جزأين. Ising Calibration هو نموذج لغة ورؤية بنظام خليط الخبراء (Mixture-of-Experts) — Ising-Calibration-1-35B-A3B، بإجمالي ٣٥ مليار معلمة مع حوالي ٣ مليار معلمة نشطة لكل توكن عبر ٢٥٦ خبيرًا (يتم توجيه ٨ لكل توكن) — مبني فوق Qwen3.5-35B-A3B مع مشفر رؤية مدمج لمخططات التجارب.٥ في اختبار QCalEval الخاص بـ NVIDIA (٢٤٣ إدخالاً عبر ٨٧ سيناريو من ٢٢ عائلة تجارب)، سجل ٣٫٢٧٪ أعلى من Gemini 3.1 Pro، و9.68% أعلى من Claude Opus 4.6، و14.5% أعلى من GPT-5.4.٦ Ising Decoding عبارة عن شبكة عصبية تلافيفية ثلاثية الأبعاد (3D CNN) تأتي في إصدارين — السريع (٠٫٩ مليون معلمة) والدقيق (١٫٨ مليون معلمة) — لتصحيح أخطاء الكود السطحي في الوقت الفعلي.٤ عند المسافة d=١٣ مع معدل خطأ فيزيائي p=٠٫٠٠٣، يكون الإصدار السريع أسرع بـ ٢٫٥ مرة وأكثر دقة بـ ١٫١ مرة من pyMatching؛ أما الإصدار الدقيق فهو أسرع بـ ٢٫٣ مرة وأكثر دقة بـ ١٫٥ مرة. تشير NVIDIA أيضًا إلى أن مفكك التشفير يتطلب بيانات تدريب أقل بـ ١٠ مرات تقريبًا من الأساليب البديلة.٤٧ تم إصدار الأوزان بموجب ترخيص NVIDIA Open Model؛ وأطر التدريب هي Apache 2.0 على GitHub؛ وكلا نقطتي الفحص (checkpoints) موجودتان على Hugging Face.٨

ما ستتعلمه

  • مكونا النموذج داخل Ising وما تحله كل منهما
  • لماذا ١٤ أبريل — ولماذا اسم "Ising"
  • بنية Calibration MoE وما يقيسه QCalEval فعليًا
  • إصدارات Decoding 3D-CNN وخط الأساس pyMatching
  • كيف يتصل Ising بـ CUDA-Q QEC و NVQLink للحلقات في الوقت الفعلي
  • الترخيص، التوفر، والمختبرات التي بدأت بالفعل في اعتماده

لماذا ١٤ أبريل — ولماذا "Ising"

هناك قطعتان من سياق العلامة التجارية تهمان لفهم الإطلاق. أولاً، ١٤ أبريل هو اليوم العالمي للكم، وهي مبادرة بدأها علماء الكم في عام ٢٠٢١ للاحتفال بثابت بلانك — ٤٫١٣٥٦٦٧٧×١٠⁻¹⁵ إلكترون فولت·ثانية — والذي تعطي أرقامه الثلاثة الأولى المقربة تاريخ التقويم.٩ وقد حددت NVIDIA موعد إعلانها ليتزامن مع ذلك الاحتفال.

ثانيًا، يشير اسم "Ising" إلى نموذج Ising في أوائل القرن العشرين، وهو نموذج شبكي للسبينات المتفاعلة أصبح أحد التبسيطات التأسيسية لفيزياء الأجسام المتعددة المعقدة.١٢ يتماشى الاستعارة مع ما تفعله نماذج الذكاء الاصطناعي هذه: أخذ إشارة قياس مزعجة وعالية الأبعاد من شريحة كمومية، وتقليصها إلى شيء يمكن التعامل معه.

Ising Calibration: نموذج لغة ورؤية بـ ٣٥ مليار معلمة لمخططات الكيوبت

معايرة المعالج الكمومي هي، في الممارسة العملية، ساعات من التحديق في المخططات. يقوم المهندسون بإجراء تجربة، وينظرون إلى خريطة حرارية أو تذبذب رابي (Rabi oscillation)، ويقررون ما يجب ضبطه بعد ذلك. خط الإنتاج بصري، متعدد الخطوات، ومرتبط حاليًا بالبشر. Ising Calibration هو محاولة NVIDIA لأتمتة تلك الحلقة.

النموذج هو نموذج لغة ورؤية بنظام خليط الخبراء (Mixture-of-Experts). تجمع البنية بين مشفر رؤية مدمج لصور المخططات التجريبية مع نموذج اللغة Qwen3.5-35B-A3B MoE، مما يعطي حوالي ٣٥ مليار معلمة إجمالية مع حوالي ٣ مليارات معلمة نشطة لكل توكن — ٢٥٦ خبيرًا في طبقة MoE، يتم توجيه ٨ وتنشيط خبير واحد مشترك لكل توكن.٥ يقبل النموذج صورة مخطط بالإضافة إلى سؤال بلغة طبيعية منظمة ويصدر نصًا تقنيًا منظمًا.

قامت NVIDIA بتقييمه بناءً على معيار نشرته بجانب النموذج، وهو QCalEval، والذي تصفه بأنه أول معيار لغة ورؤية لمخططات المعايرة الكمومية.١٠

QCalEval — ماذا يوجد بداخله
إدخالات المعيار٢٤٣
أنواع السيناريوهات٨٧
عائلات التجارب٢٢
صور المخططات (مبعثرة، خطية، خريطة حرارية)٣٠٩
أنواع الأسئلة لكل إدخال٦ (إجمالي ١٬٤٥٨ زوجًا من الأسئلة والأجوبة)
تغطية الأجهزةالكيوبتات فائقة التوصيل + الذرات المتعادلة
فئات الأسئلةالوصف التقني، الاستنتاج التجريبي، الأهمية التجريبية، تقييم جودة الملاءمة، استخراج المعلمات، تصنيف نجاح التجربة

في QCalEval، سجل Ising Calibration 1 درجات أعلى من النماذج المغلقة الرائدة التي ظهرت في نفس المقارنة: ذكرت NVIDIA أنه أفضل بنسبة ٣٫٢٧٪ في المتوسط من Gemini 3.1 Pro، وأفضل بنسبة ٩٫٦٨٪ من Claude Opus 4.6، وأفضل بنسبة ١٤٫٥٪ من GPT-5.4.٦ هذه الأرقام مقدمة من NVIDIA بناءً على معيار نشرته NVIDIA، لذا فإن الإطار الصحيح هو "النموذج المضبوط للمعايرة يتفوق على نماذج VLM العامة في مهمة المعايرة التي تم تدريبه عليها" بدلاً من "هذا نموذج VLM عام أكثر قدرة من GPT-5.4".

Ising Decoding: شبكتان 3D CNN مقابل خط الأساس pyMatching

إذا كانت المعايرة هي مشكلة "الإنسان في الحلقة" البطيئة، فإن فك التشفير هو المشكلة السريعة "للآلة فقط". يجب على الكمبيوتر الكمومي الحقيقي المتسامح مع الأخطاء والذي يشغل تصحيح أخطاء الكود السطحي قراءة قياسات المتلازمة (syndrome measurements) من الشريحة واستنتاج المجموعة الأكثر احتمالاً من الأخطاء الفيزيائية — في غضون ميكروثانية، قبل أن تكسر الجولة التالية من البوابات التماسك. اليوم تستخدم معظم المجموعات pyMatching، وهو مفكك تشفير مفتوح المصدر يعتمد على المطابقة المثالية ذات الوزن الأدنى (minimum-weight perfect matching)، كخط أساس قياسي.٤

يتخذ Ising Decoding من NVIDIA نهجًا مختلفًا. مفكك التشفير عبارة عن شبكة عصبية تلافيفية ثلاثية الأبعاد (3D CNN) تستوعب حجم متلازمة مكدس (بعدين مكانيين للكود السطحي، بالإضافة إلى جولات القياس على المحور الثالث) وتصدر تصحيحًا. يتوفر إصداران عند الإطلاق:

الإصدارالمعاملات (Parameters)مقابل pyMatching عند d=١٣, p=٠٫٠٠٣
Decoder SurfaceCode 1 Fast٠٫٩ مليونزمن استجابة أسرع بـ ٢٫٥ مرة، دقة أعلى بـ ١٫١ مرة
Decoder SurfaceCode 1 Accurate١٫٨ مليونزمن استجابة أسرع بـ ٢٫٣ مرة، دقة أعلى بـ ١٫٥ مرة

المصدر: إصدار NVIDIA Ising.٤٧

هناك أمران هيكليان مهمان يتجاوزان الأرقام الرئيسية. أولاً، لأن وحدة فك التشفير (decoder) عبارة عن شبكة عصيبة تلافيفية ثلاثية الأبعاد (3D CNN)، فإن نفس الأوزان المدربة تعمل على مسافات أكواد سطحية (surface-code distances) وأعداد دورات مختلفة في وقت الاستنتاج — يتم ببساطة تطبيق النموذج على حجم فك تشفير مختلف، دون الحاجة إلى إعادة تدريب لتغيير المسافة أو الدورات.٤ وقد أشارت أبحاث مستقلة من جهات خارجية إلى أن الحفاظ على ميزة تصحيح الخطأ عند مسافات أكواد أكبر بكثير قد يتطلب توسيع حجم وحدة فك التشفير بشكل متناسب، لكن النماذج الصغيرة تعمل عبر نطاق مفيد مباشرة عند التشغيل.١١ ثانياً، ذكرت NVIDIA أن وحدة فك التشفير تتطلب بيانات تدريب أقل بـ ١٠ مرات تقريباً من الأساليب البديلة بدقة مماثلة.٧

بالنسبة للنشر، يتم تصدير النموذج المدرب إلى تنسيق ONNX، ثم يعمل عبر NVIDIA TensorRT مع استنتاج FP8 أو FP16 على GPU. كما يتم دعم تكميم ما بعد التدريب (post-training quantization) الاختياري بتنسيق INT8 أو FP8.١٢

Ising ليس أثراً مستقلاً بذاته — بل هو نصف الذكاء الاصطناعي في حلقة الحوسبة الكمومية-الكلاسيكية التي كانت NVIDIA تجمع أجزاءها منذ أواخر عام ٢٠٢٥.

NVQLink، الذي أُعلن عنه في ٢٨ أكتوبر ٢٠٢٥ في مؤتمر GTC بواشنطن العاصمة، هو الرابط البيني بين GPU و QPU: بنية نظام مفتوحة تستخدم RDMA عبر شبكة Ethernet المتقاربة (RoCE) على أجهزة شبكات NVIDIA القياسية لتقديم اتصالات حتمية بين إلكترونيات التحكم الكمومي وخوادم GPU، مع حد أقصى لزمن استجابة الرحلة الذهاب والإياب يبلغ ٣٫٩٦ ميكروثانية.١٣ إنه "السلك" الواصل بين الشريحة الكمومية ووحدة فك التشفير بالذكاء الاصطناعي.

CUDA-Q QEC 0.6، الذي صدر في نفس يوم Ising، هو الجانب البرمجي. يقدم مسارين جديدين لفك التشفير قادرين على العمل في الوقت الفعلي عبر NVQLink: RelayBP، وهو وحدة فك تشفير بانتشار الاعتقاد (belief-propagation) معززة بـ GPU لأكواد LDPC الكمومية، و NVIDIA Ising pre-decoder مدمجاً مع PyMatching كوحدة فك تشفير عالمية للكود السطحي.١٢١٤ نمط "ما قبل فك التشفير" (pre-decoder) — حيث تقوم الشبكة العصبية بالمرحلة الأولى السريعة وعالية الدقة، ثم تقوم الخوارزمية الكلاسيكية بمعالجة الحالات المتبقية — هو الطريقة التي ينضم بها Ising إلى حلقة تصحيح أخطاء عاملة دون استبدال المسار الحالي بالكامل.

لماذا هذا مهم: يجب أن يتناسب زمن استجابة الرحلة الكاملة، من قياس الكيوبت (qubit) إلى البوابة التصحيحية، داخل نافذة التماسك (coherence window) للكيوبتات الأساسية. بالنسبة للكيوبتات فائقة التوصيل التي تعمل بأزمنة بوابات تبلغ عشرات النانوثانية وأزمنة دورة كود سطحي تبلغ حوالي ١ ميكروثانية، تحتاج وحدات فك التشفير إلى المواكبة في الوقت الفعلي — وكلما اقتربت من زمن الدورة، كان ذلك أفضل.١٥١٦ وبالتالي، فإن تسريع وحدة فك التشفير وحدها بمقدار ٢٫٥ مرة ليس مجرد رقم قياسي للمفاخرة؛ بل هو ما يسد الفجوة بين التحليل غير المتصل بالإنترنت وحلقة QEC تعمل في الوقت الفعلي.

السباق الأوسع لوحدات فك التشفير الكمومي

يصل Ising إلى ميدان مزدحم. في مارس ٢٠٢٦، استعرضت QpiAI وحدة فك تشفير "union-find" على معالج Kaveri المكون من ٦٤ كيوبت، حيث أكملت كل دورة تصحيح خطأ في حوالي ١٫٥ ميكروثانية، وهو وقت سريع بما يكفي للعمل داخل نافذة التماسك للكيوبتات فائقة التوصيل.١٧ أما معالج Willow من Google — الذي كُشف عنه في أواخر عام ٢٠٢٤ وجرى تحسينه منذ ذلك الحين — فيقوم بتشغيل وحدة فك تشفير في الوقت الفعلي على كود سطحي بمسافة ٧ (distance-7) و١٠١ كيوبت، محققاً ٠٫١٤٣٪ ± ٠٫٠٠٣٪ خطأ لكل دورة، ومتفوقاً على عمر أفضل كيوبت فيزيائي لديه بمعامل ٢٫٤ ± ٠٫٣.١٦ كما تم استعراض AlphaQubit، وهو وحدة فك تشفير تعتمد على Transformer من Google-DeepMind نُشرت في مجلة Nature في نوفمبر ٢٠٢٤، على معالج Sycamore من Google بأكواد سطحية بمسافة ٣ ومسافة ٥، مع تجارب محاكاة وصلت إلى مسافة ١١.١٨ وهناك وحدة فك تشفير منفصلة تعتمد على الشبكة العصبية التلافيفية (Gicev et al., ٢٠٢٣, Quantum) تم استعراضها على أكواد سطحية محاكاة بمسافات أكواد تتجاوز ١٠٠٠ — أي أكثر من ٤ ملايين كيوبت فيزيائي — وهو أكبر استعراض لوحدة فك تشفير كود سطحي تعتمد على تعلم الآلة حتى الآن.١٩

هذه النتائج ليست كلها قابلة للمقارنة بشكل مباشر — فنسبة ٠٫١٤٣٪ لكل دورة في Willow هي معدل خطأ منطقي للنظام المتكامل (الأجهزة بالإضافة إلى وحدة فك التشفير)، و١٫٥ ميكروثانية في QpiAI هو زمن دورة وحدة فك التشفير على جهاز Kaveri واحد، وتسريع NVIDIA بمقدار ٢٫٥ مرة هو معيار لوحدة فك التشفير وحدها مقابل pyMatching. ما يضيفه Ising إلى المشهد هو نوع مختلف من المساهمة: أوزان مفتوحة، إطار عمل تدريب مفتوح، معيار تقييم مفتوح، ومسار نشر يمكن لأي مجموعة بحثية تمتلك وحدات GPU من NVIDIA اعتماده.

الترخيص والتوافر

المكونالمكانالترخيص
أوزان Ising Calibration 1 (35B-A3B)Hugging Face, NVIDIA NIM, NVIDIA BuildNVIDIA Open Model License
أوزان Ising Decoder SurfaceCode 1 (Fast + Accurate)Hugging FaceNVIDIA Open Model License
إطار عمل تدريب IsingGitHub: NVIDIA/Ising-DecodingApache 2.0
مجموعة بيانات معيار QCalEvalHugging Face datasets, GitHub: NVIDIA/QCalEvalوصول مفتوح
CUDA-Q QEC 0.6موقع مطوري NVIDIAترخيص CUDA-Q الحالي

المصدر: ملاحظات إصدار NVIDIA Ising وبطاقات نماذج Hugging Face.٨١٢

إن الفصل بين الأوزان والكود — أوزان النموذج تحت ترخيص NVIDIA Open Model License، وإطار عمل التدريب تحت ترخيص Apache 2.0 — هو نفس النمط الذي استخدمته NVIDIA لـ Nemotron والنماذج الموزعة عبر NIM مؤخراً. وهذا يمنح مشغلي QPU حرية الاحتفاظ ببيانات المعايرة المملوكة لهم محلياً مع السماح لهم في الوقت نفسه بضبط نقاط التحقق (checkpoints) المنشورة لتناسب أجهزتهم الخاصة.

المتبنون الأوائل

أدرجت NVIDIA سبع مؤسسات من أوائل المتبنين في البيان الصحفي للإطلاق: Academia Sinica، و Fermi National Accelerator Laboratory، و Harvard John A. Paulson School of Engineering and Applied Sciences، و Infleqtion، و IQM Quantum Computers، و Lawrence Berkeley National Laboratory's Advanced Quantum Testbed، و U.K. National Physical Laboratory (NPL).١٢ هذا المزيج — ثلاث مختبرات وطنية، ومجموعتان أكاديميتان، وشركتان تجاريتان لإنتاج وحدات QPU — يغطي كلا النوعين من الأجهزة التي يشملها معيار QCalEval، مع تركيز Infleqtion على الذرات المتعادلة و IQM على الكيوبتات فائقة التوصيل. أدرجت مواد NVIDIA اللاحقة متبنين إضافيين بما في ذلك IonQ و Atom Computing و EeroQ و Q-CTRL و Conductor Quantum.٤

الخلاصة

يمثل NVIDIA Ising المرة الأولى التي تقوم فيها شركة كبرى في مجال الحوسبة السحابية بشحن أوزان مفتوحة، وإطار تدريب مفتوح، ومعيار قياس مفتوح يستهدف تحديداً المشكلات الفرعية للمعايرة وتصحيح الأخطاء في الحوسبة الكمية — مقترناً بمسار نشر في الوقت الفعلي (NVQLink + CUDA-Q QEC) يسمح لنصف الحلقة المعتمد على الذكاء الاصطناعي بتلبية ميزانية الميكروثانية التي تتطلبها الفيزياء فعلياً. السؤال الذي يجب مراقبته خلال الربعين القادمين هو ما إذا كانت أرقام زمن الوصول الأسرع بمقدار ٢٫٥ ضعفاً و الدقة الأعلى بمقدار ٣ أضعاف ستصمد عند إعادة التطبيق المستقل على وحدات QPU تابعة لجهات خارجية. لكن الرهان المعماري — بأن الطريق إلى أجهزة كمبيوتر كمية مفيدة يمر عبر معالجات كلاسيكية مساعدة معززة بالذكاء الاصطناعي، وليس فقط كيوبتات أفضل — أصبح الآن قابلاً للاختبار علناً من قبل أي شخص لديه وحدة معالجة رسومات NVIDIA ومنصة اختبار كمية.

للحصول على سياق أوسع حول الذكاء الاصطناعي في الحوسبة العلمية، راجع تغطيتنا السابقة لـ الحوسبة الديناميكية الحرارية كقفزة تالية لما بعد الترانزستورات وإصدار DeepSeek V4 كطليعة للمصادر المفتوحة.

الأسئلة الشائعة

هل Ising نموذج ذكاء اصطناعي كمي — بمعنى، هل يعمل على أجهزة كمية؟

لا. Ising هي عائلة نماذج ذكاء اصطناعي كلاسيكية تعمل على وحدات معالجة الرسومات NVIDIA GPUs. لقد تم بناؤها من أجل الحوسبة الكمية — وظيفتها هي المساعدة في معايرة وتصحيح أخطاء المعالجات الكمية — لكن عملية الاستدلال (inference) تتم بشكل كلاسيكي.

هل يحل Ising محل pyMatching؟

ليس تماماً. تضع NVIDIA صراحةً وحدة فك التشفير Ising كـ وحدة فك تشفير أولية (pre-decoder) في CUDA-Q QEC 0.6، مقترنة بـ PyMatching لمسار كود السطح (surface code). تقوم الشبكة العصبية بالجزء الأكبر من العمل بسرعة ودقة؛ بينما تقوم وحدة فك التشفير الكلاسيكية بمعالجة الحالات المتبقية. يمكنك أيضاً تشغيل Ising بشكل مستقل إذا كنت تفضل ذلك.

ما هو QCalEval ومدى استقلاليته؟

QCalEval هو أول معيار قياس للرؤية واللغة لمخططات المعايرة الكمية: ٢٤٣ إدخالاً، ٨٧ نوعاً من السيناريوهات، ٢٢ عائلة تجريبية، ٦ فئات من الأسئلة لكل إدخال. تم تأليفه بواسطة NVIDIA Research ونُشر مع النموذج، لذا فهو ليس معياراً مستقلاً — لكن مجموعة البيانات ونصوص التقييم البرمجية عامة على Hugging Face و GitHub، مما يعني أن المجموعات المستقلة يمكنها إعادة إنتاج الأرقام وتقديم تقارير عن النماذج الأخرى.

هل يمكنني تشغيل Ising Calibration محلياً؟

نعم، من الناحية النظرية. نقطة التحقق الكاملة هي Ising-Calibration-1-35B-A3B على Hugging Face. اللاحقة "A3B" هي المفتاح: حوالي ٣ مليار معلمة فقط تكون نشطة لكل توكن (token) عند الاستدلال، لذا تحصل على تكلفة استدلال نموذج كثيف صغير مع اتساع معلمات نموذج MoE بحجم ٣٥ مليار معلمة. واقعياً، ستظل بحاجة إلى جهاز متعدد وحدات معالجة الرسومات أو مسرع من فئة H100/H200/B200 لاستضافة الأوزان الكاملة بزمن وصول (latency) قابل للاستخدام.

كيف يقارن هذا بـ AlphaQubit؟

كلاهما وحدات فك تشفير تعتمد على الشبكات العصبية لكود السطح، لكنهما يستهدفان نقاطاً مختلفة في مساحة التصميم. AlphaQubit هو محول متكرر (recurrent transformer) تم استعراضه على معالج Sycamore من Google في أكواد السطح بمسافة-3 ومسافة-5 (مع عمليات محاكاة تصل إلى مسافة ١١) ويتفوق على وحدات فك التشفير المطابقة في الدقة. أما Ising Decoding فهو عبارة عن شبكة عصيبة تلافيفية ثلاثية الأبعاد (3D CNN) مدمجة (أقل من ٢ مليون معلمة) تستهدف النشر في الوقت الفعلي عبر NVQLink، مع مسار استدلال صريح بـ FP8/TensorRT. إنهما يكملان بعضهما البعض في البحث، لكن Ising هو الذي يمتلك قصة نشر مفتوحة وشاملة اليوم.

المراجع

  1. NVIDIA Newsroom, "NVIDIA Launches Ising, the World's First Open AI Models to Accelerate the Path to Useful Quantum Computers," April 14, 2026. https://nvidianews.nvidia.com/news/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers ↩ ↩2 ↩3 ↩4

  2. The Quantum Insider, "NVIDIA Launches Ising, the World's First Open AI Models to Accelerate The Path to Useful Quantum Computers," April 14, 2026. https://thequantuminsider.com/2026/04/14/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers/ ↩ ↩2 ↩3

  3. Tom's Hardware, "Nvidia releases open AI models for quantum computing tasks — 'Ising' said to be 2.5x faster and 3x more accurate than existing tools for decoding," April 2026. https://www.tomshardware.com/tech-industry/artificial-intelligence/nvidia-releases-ising-open-ai-models ↩

  4. مدونة NVIDIA Developer، "NVIDIA Ising تقدم سير عمل مدعوم بالذكاء الاصطناعي لبناء أنظمة كمومية مقاومة للأخطاء"، أبريل ٢٠٢٦. https://developer.nvidia.com/blog/nvidia-ising-introduces-ai-powered-workflows-to-build-fault-tolerant-quantum-systems/ ↩ ↩٢ ↩٣ ↩٤ ↩٥ ↩٦ ↩٧

  5. Hugging Face، بطاقة النموذج "nvidia/Ising-Calibration-1-35B-A3B"، ٢٠٢٦. https://huggingface.co/nvidia/Ising-Calibration-1-35B-A3B ↩ ↩٢

  6. NVIDIA Build، "نموذج ising-calibration-1-35b-a3b من NVIDIA — بطاقة النموذج"، ٢٠٢٦. https://build.nvidia.com/nvidia/ising-calibration-1-35b-a3b/modelcard ↩ ↩٢

  7. MarkTechPost، "NVIDIA تطلق Ising: أول عائلة نماذج ذكاء اصطناعي كمومية مفتوحة للأنظمة الهجينة الكمومية-الكلاسيكية"، ١٩ أبريل ٢٠٢٦. https://www.marktechpost.com/2026/04/19/nvidia-releases-ising/ ↩ ↩٢ ↩٣

  8. GitHub، "NVIDIA/Ising-Decoding: إطار عمل تدريبي لفك تشفير تصحيح الأخطاء الكمومية بالذكاء الاصطناعي." https://GitHub.com/NVIDIA/Ising-Decoding ↩ ↩٢

  9. اليوم العالمي للكم، "لماذا ١٤ أبريل." https://worldquantumday.org/why-april-14 ↩

  10. NVIDIA Research، "QCalEval: قياس أداء نماذج الرؤية واللغة لفهم مخططات المعايرة الكمومية"، أبريل ٢٠٢٦. https://research.nvidia.com/publication/2026-04_qcaleval-benchmarking-vision-language-models-quantum-calibration-plot ↩ ↩٢

  11. Quantum Computing Report، "تقييم فك التشفير المسبق العصبي باستخدام NVIDIA Ising: من أكواد Surface إلى أكواد Bivariate Bicycle" — تحليل من طرف ثالث يشير إلى أن حجم وحدة فك التشفير يجب أن يتناسب مع مسافة الكود للحصول على ميزة مستدامة في تصحيح الأخطاء، ٢٠٢٦. https://quantumcomputingreport.com/evaluating-neural-pre-decoding-with-nvidia-ising-from-surface-to-bivariate-bicycle-codes/ ↩

  12. NVIDIA Quantum، "CUDA-Q QEC 0.6 يتيح تصحيح الأخطاء الكمومية في الوقت الفعلي باستخدام NVQLink"، ١٤ أبريل ٢٠٢٦. https://nvidia.GitHub.io/cuda-quantum/blogs/blog/2026/04/14/cudaq-qec-0.6/ ↩ ↩٢ ↩٣

  13. مدونة NVIDIA Developer، "بنية NVIDIA NVQLink تدمج الحوسبة المتسارعة مع المعالجات الكمومية." https://developer.nvidia.com/blog/nvidia-nvqlink-architecture-integrates-accelerated-computing-with-quantum-processors/ ↩

  14. NVIDIA، "نماذج ذكاء اصطناعي مفتوحة للحوسبة الكمومية | NVIDIA Ising." https://www.nvidia.com/en-us/solutions/quantum-computing/ising/ ↩ ↩٢

  15. arXiv، "إثبات تصحيح الأخطاء الكمومية في الوقت الفعلي وبزمن انتقال منخفض باستخدام الكيوبتات فائقة التوصيل"، ٢٤١٠٫٠٥٢٠٢، ٢٠٢٤. https://arxiv.org/html/2410.05202v1 ↩

  16. Nature، "تصحيح الأخطاء الكمومية تحت عتبة كود Surface"، ٢٠٢٤. https://www.nature.com/articles/s41586-024-08449-y ↩ ↩٢

  17. The Quantum Insider، "QpiAI تحقق تصحيح أخطاء كمومية عالي السرعة على الأنظمة فائقة التوصيل باستخدام منصة فك تشفير جديدة"، ٢٥ مارس ٢٠٢٦. https://thequantuminsider.com/2026/03/25/qpiai-high-speed-quantum-error-correction-decoder/ ↩

  18. Nature، "تعلم فك تشفير الأخطاء بدقة عالية للمعالجات الكمومية" (AlphaQubit)، ٢٠٢٤. https://www.nature.com/articles/s41586-024-08148-8 ↩ ↩٢

  19. Gicev وآخرون، "فك تشفير متلازمة الأكواد السطحية باستخدام شبكة عصبية اصطناعية سريعة وقابلة للتوسع،" Quantum، يوليو ٢٠٢٣. https://quantum-journal.org/papers/q-2023-07-12-1058/ ↩

  20. Hugging Face Datasets، "nvidia/QCalEval،" 2026. https://huggingface.co/datasets/nvidia/QCalEval ↩

للوكلاء الآليين:get_post/posts/index.json/ar/nvidia-ising-open-quantum-ai-models-error-correction.md

نشرة مجانية

ابقَ على مسار النيرد

رسالتان كلّ أسبوع: شرح معمّق لموضوع واحد يوم الاثنين، وملخّص يوم الخميس للدورات والأدلّة والمقالات والبودكاست والوظائف.

بدون إزعاج. إلغاء الاشتراك في أي وقت.