NVIDIAの量子コンピューティング部門は、フォールトトレラント量子誤り訂正（QEC）のためのニューラルネットワーク駆動制御層を展開するよう設計されたオープンソースモデルファミリーであるIsingを発表した。技術開示文書「NVIDIA Ising Decoding Cuts Color Code Logical Error Rates by Over 300X」に詳述されているこの発表は、三角形カラーコード用の局所的プリデコーダとして機能するよう設計された17層3D畳み込みニューラルネットワーク（CNN）であるIsing Decoder ColorCode1 Fastを特徴としている。
0.3%の回路レベル物理誤り率を受ける高距離（d=31）カラーコードメモリアレイをモデル化したベンチマーク評価において、AI駆動型プリデコーダは、古典的な最先端カラーコードデコーダであるChromobiusと比較して、論理誤り率（LER）を347.7倍削減し、処理実行時間を7.3倍高速化した。
実用規模のフォールトトレラント量子コンピュータを実現するには、アルゴリズム実行中に誤りシンドロームをリアルタイムでデコードし、誤りが論理演算を通じて連鎖するのを防ぐ必要がある。サーフェスコードは、高い誤り閾値と単純なデコードループにより、論理メモリとして広く採用されてきた。しかし、フォールトトレラント論理演算を実行する際には非効率的にスケールし、基本ゲートセットを実行するためにリソース集約的な格子手術やコード変形技術を必要とすることが多い。
カラーコードは、その基礎となる空間対称性により、すべてのクリフォードゲートの横断的実行を可能にし、格子手術操作を簡素化するため、より汎用性の高い代替手段を提供する。これらの利点にもかかわらず、カラーコードは、重複する高度に接続されたシンドロームネットワークのデコードが計算集約的であり、リアルタイムデコード遅延のボトルネックを生み出すため、歴史的に脇に追いやられてきた。
NVIDIAのフレームワークは、Chromobiusのような標準的なトポロジカルソルバーの直前に軽量なニューラルネットワークプリデコーダを配置することで、このデコードオーバーヘッドを解決する。Ising ColorCode 1 Fastモデルは、13×13×19のサイズの局所的シンドローム領域を処理するために13の受容野を使用する。これらの3D CNNプリデコーダは局所的に完全な時空間誤り訂正を予測するため、その処理速度はグローバルなシステムサイズや格子境界から切り離されている。
ネットワークはGPU上で大量の局所的誤りシンドロームをふるい分けて解決した後、疎化され簡素化されたシンドロームマップをメインの古典デコーダーに渡す。この並列なブロックワイズ時空間アプローチは、マルチ量子ビット物理アレイ上でリアルタイム格子手術を実行するために必要な厳格な遅延予算を満たす。
このプラットフォームは、NVIDIA cuStabilizerライブラリ上に構築されたデータパイプラインを通じて既存の高性能コンピューティング（HPC）環境とインターフェースし、より広範なcuQuantumシミュレーションスタックに統合されている。トレーニング中、cuStabilizerバックエンドは回路レベルノイズ（標準的なsi1000ノイズモデルファミリーなど）をモデル化した合成障害ログを生成する。次にPyTorchが290万パラメータのネットワーク重みを最適化し、基礎となる量子処理ユニット（QPU）の特定のノイズ特性に合わせる。
ユーザーは、ベースラインデコーダ精度とラウンドトリップ遅延予算の間でカスタマイズされたトレードオフを調整するために、より深いまたはより浅いモデル層を選択できる。フレームワーク全体がApache 2.0ライセンスの下でオープンソース化されており、モデル重み、トレーニングスクリプト、アーキテクチャ設計図への公開アクセスが提供されている。これにより、量子ハードウェアメーカーはニューラル層を修正して特定の物理ノイズ分布に合わせることができ、ハードウェア制限に合ったカスタムデコードパイプラインを作成できる。
完全なオープンソースコードベース、デプロイメントクックブック、パラメータ重みについては、NVIDIA Isingアーキテクチャを参照のこと。
2026年7月13日
