NVIDIA lanza Ising en código abierto — los primeros modelos de IA diseñados para la computación cuántica

El 14 de abril, NVIDIA lanzó Ising: una familia de modelos de IA de pesos abiertos diseñada exclusivamente para cargas de trabajo de computación cuántica. En concreto, para calibración de procesadores cuánticos y decodificación de corrección de errores cuánticos, las dos tareas que históricamente han sido el cuello de botella en el camino hacia los sistemas cuánticos tolerantes a fallos. Los valores bursátiles del sector cuántico se dispararon tras el anuncio.

Por qué importa

Los procesadores cuánticos se degradan. Los qubits derivan, los parámetros de acoplamiento cambian y la calibración debe realizarse de forma continua, a menudo diariamente, para mantener el procesador dentro de los márgenes de operación. Los flujos de trabajo de calibración actuales se basan en heurísticas clásicas escritas a mano, ajustadas por dispositivo y difíciles de escalar a cientos o miles de qubits. Del mismo modo, la corrección de errores cuánticos exige decodificar síndromes en tiempo real para detectar y corregir errores sin medir —y colapsar— el estado cuántico.

Ambos problemas son, en esencia, tareas de optimización aprendida. NVIDIA apuesta a que son problemas de IA.

Ising Calibration: modelo de lenguaje visual de 35.000 millones de parámetros

El primer componente es un modelo de visión y lenguaje (VLM) de 35.000 millones de parámetros entrenado con datos multimodales de qubits: espectros de frecuencia, superficies de fidelidad de puertas y formas de onda de pulsos de control. Soporta automatización agéntica de calibración: recibe datos de caracterización en bruto, propone ajustes de parámetros, los evalúa e itera.

En QCalEval, el benchmark de NVIDIA para tareas de calibración cuántica, Ising Calibration supera a Gemini 3.1 Pro, Claude Opus 4.6 y GPT-5.4. Ningún modelo disponible públicamente había sido entrenado en este dominio a escala similar.

Ising Decoding: corrección de errores en tiempo real

El segundo componente es un framework basado en redes neuronales 3D convolucionales para decodificación de corrección de errores cuánticos. Funciona 2,5 veces más rápido y es 3 veces más preciso que los métodos de decodificación algorítmica tradicionales en benchmarks estándar de código de superficie. El despliegue incluye cuantización FP8 para mayor eficiencia de inferencia e integración con CUDA-Q QEC, el toolkit de corrección de errores cuánticos de NVIDIA.

Pesos abiertos, datos abiertos

Ambos modelos se publican con pesos completos, conjuntos de datos de entrenamiento y benchmarks accesibles públicamente. Es un grado de apertura inusual en NVIDIA, que habitualmente mantiene los internos de sus modelos como propiedad privada. La decisión posiciona a Ising como infraestructura base para la comunidad de investigación cuántica, no como un producto comercial.

Primeros adoptantes

Entre los primeros usuarios están el Laboratorio Nacional del Acelerador Fermi, la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard, Infleqtion, IQM Quantum Computers, el Advanced Quantum Testbed del Laboratorio Nacional Lawrence Berkeley, Academia Sinica y el Laboratorio Nacional de Física de Reino Unido. La distribución geográfica —América del Norte, Europa, Asia— indica que NVIDIA busca que Ising se convierta en un estándar global de investigación.

La estrategia detrás

El ángulo de NVIDIA es claro: cada procesador cuántico que se fabrique necesitará eventualmente una GPU para calibrarlo y controlarlo. Ising inserta a NVIDIA en ese flujo de trabajo a nivel de software antes de que el mercado de hardware madure. Es el mismo manual de CUDA: hacer que el modelo de programación sea indispensable y cobrar por el lado del hardware.

Si la computación cuántica tolerante a fallos llegará antes de que termine la década es una pregunta genuinamente abierta. Lo que Ising hace es acortar ese camino y hacer el papel de NVIDIA en él considerablemente más difícil de reemplazar.