英伟达公司向实用量子计算迈出了重要一步，公开发布了神经网络模块 Ising Decoder ColorCode 1 Fast 的代码和训练工具。这一人工智能组件旨在预处理量子系统中的错误信号，随后将清洗后的数据传递给经典解码器 Chromobius。
模拟结果令人印象深刻：与单独使用 Chromobius 相比，组合方案将逻辑错误率降低了 347.7 倍，处理速度提升了 7.3 倍。测试基于码距为 31、物理错误率为 0.3% 的量子内存模型进行。需要强调的是，实验使用的是合成数据，而非真实的量子处理器。
Ising Decoder ColorCode 1 Fast 的架构是一个 17 层三维卷积神经网络，拥有约 290 万个参数。模型的感受野为 13，训练基于 13 × 13 × 19 的输入数组。它并非独立的解码器，而更像一个“过滤器”，用于分析局部信号、减少信号数量，并将稀疏的错误图传递给主算法 Chromobius。
颜色码：从理论到实时应用
量子纠错是一项关键技术，能够将不稳定的物理量子比特组合成可靠的逻辑量子比特。解码器必须分析校验测量的结果，并确定哪些故障需要修正。传统上，表面码用于存储信息——它们更易于解码且具有较高的错误阈值。然而，颜色码虽然能更高效地执行某些逻辑操作，但长期以来一直缺乏快速且精确的解码器。
Ising Decoder ColorCode 1 Fast 正是为了解决这一问题。英伟达表示，随着码距的增加，与 Chromobius 组合的优势会进一步扩大，这使得颜色码在实时量子计算中越来越具吸引力。
值得注意的是，速度比较是在不同硬件上进行的：神经网络运行在 Nvidia DGX GB300（GPU）上，而 Chromobius 运行在 Grace Neoverse-V2（CPU）上。因此，7.3 倍的加速不仅反映了算法差异，也体现了图形处理器相对于中央处理器的优势。该框架和训练方法已在 GitHub 开源仓库中提供，采用 Apache 2.0 许可证。
英伟达于 4 月推出的 Ising 开源模型系列包括用于校准量子处理器和纠错的工具。这反映了更广泛的趋势：回顾一下，IBM 在 6 月宣布计划到 2029 年建造首台大规模容错量子计算机。
Cryptalist 专家评论： Ising Decoder 代码的开源不仅是技术上的进步，更是英伟达抢占量子软件市场的战略举措。当竞争对手（谷歌、IBM）专注于硬件解决方案时，英伟达正有条不紊地构建软件生态系统，将其 GPU 定位为混合计算的通用工具。如果该模型在真实量子处理器上展现出可比的结果，可能会彻底加速颜色码的采用，并推动我们迈向容错量子机器的时代。