量子コンピューターは「1,000回に1回の操作でエラーが発生する」。これが現時点での最先端プロセッサーの現実であり、量子コンピューティングが科学計算や産業応用で真に役立つ存在になるための最大の障壁である。
NVIDIAは2026年4月、NVIDIA Quantum Dayにおいてこの問題に正面から対峙するオープンソースAIモデル群「NVIDIA Ising」を発表した。量子プロセッサーの自動キャリブレーションとリアルタイムエラー訂正という、これまでは人間の専門家か単純なアルゴリズムが担ってきた領域をAIに移管するという、量子コンピューティングのコントロールアーキテクチャそのものを再定義する試みだ。
1,000回に1回から1兆回に1回へ：なぜAIが必要なのか
量子コンピューターが実用的な計算機として機能するためには、単なる高速化では足りない。エラー率を劇的に削減することが、この分野の「実存的な課題」だ。
NVIDIAの量子プロダクト担当ディレクター、Sam Stanwyckは発表に先立ち次のように語っている。「現時点で最も優れた量子プロセッサーが達成しているエラー率は1,000回の操作に1回という水準で、これは驚異的な数字だ。しかし科学や企業にとって真に価値ある問題の解決に使えるようになるためには、そのエラー率を1兆回に1回、あるいはそれ以下にまで引き下げる必要がある」。
その差は実に10億倍。この途方もないギャップを埋めるための答えとして、NVIDIAが選んだのがAIだ。Stanwyckは続ける。「ノイズ（誤り）こそが、今日の量子ハードウェアと実用的なアプリケーションの間に立ちはだかる根本的なボトルネックだ。AIがそのスケールでノイズを管理するための答えになり得るということは、量子コンピューティングの進歩を急速に後押しする潜在力を持つ」。
Isingという名称が示す設計思想
NVIDIAがこのAIモデル群に「Ising（イジング）」という名前を付けたのには意味がある。Isingモデルとは、統計力学の分野で複雑な物理系の振る舞いを単純化して理解するために使われる数学モデルであり、量子系の相互作用を記述する上で長年活用されてきた概念だ。NVIDIAはこの名称を通じて「複雑な量子ハードウェアの制御問題をAIの力で単純化する」という意図を示している。
モデルは大きく2つのドメインに分かれる。量子プロセッサーの動作状態を継続的に調整し続ける「Ising Calibration」と、量子誤り訂正を担う「Ising Decoding」だ。この2つはそれぞれ独立した技術的課題を解決しながら、量子コンピューターの信頼性向上という共通のゴールを目指す。
Ising Calibration：人間の仕事をAIエージェントが引き継ぐ
量子プロセッサーは本質的に不安定だ。ハードウェアの不完全さや環境変化によって、量子ビット（qubit）の動作パラメーターは常にドリフトし続ける。これを補うためのキャリブレーション（校正）作業は、従来は量子物理学者が手動で行うか、単純な自動アルゴリズムが担ってきた。前者は専門知識が必要でスケールしない。後者は精度が不十分だ。
Ising Calibrationはビジョン言語モデル（Vision Language Model、VLM）として設計されており、量子プロセッサーから得られる測定データを解釈し、必要な調整をリアルタイムで判断する。NVIDIAによれば、このモデルをAIエージェントのワークフローに組み込むことで「連続的なキャリブレーションを自動化」でき、これまでかかっていた時間を日単位から時間単位に短縮できるという。
性能面でも具体的な数値が示されている。NVIDIA公式のベンチマークデータによれば、Ising Calibration 1はGemini 3.1 Proと比較して3.27%、Claude Opus 4.6と比較して9.68%、GPT 5.4と比較して14.5%それぞれ精度が高い。量子キャリブレーションという高度に専門的なタスクで汎用LLMを上回るこれらの数値は、ドメイン特化型AIモデルの優位性を示すものとして注目に値する。
Ising Decoding：リアルタイム誤り訂正という「解けなかった問題」
量子誤り訂正（QEC）デコーディングは、量子コンピューティングで長年解けなかった難題だ。qubitsはノイズの影響を受けやすく、計算中に誤りが生じる。これを検出して修正するデコーダーは、計算に割り込んでリアルタイムで動作しなければならない。遅延が生じれば計算全体が破綻し、精度が低ければ誤りが蓄積していく。
Ising Decodingはこの課題に対して3次元畳み込みニューラルネットワーク（3D CNN）モデルを採用しており、「速度優先」と「精度優先」の2バリアントが用意されている。既存のオープンソース標準であるpyMatchingとの比較において、NVIDIAが示したデータは次のとおりだ。
- Ising Decoder SurfaceCode 1 Fast：d=13、p=0.003の条件下で、latencyが2.5倍高速、精度が1.1倍向上
- Ising Decoder SurfaceCode 1 Accurate：同条件下でlatencyが2.3倍高速、精度が1.5倍向上
注目すべきは、3D CNNというアーキテクチャの選択だ。従来の機械学習ベースのプリデコーダーは、エンドツーエンドの遅延削減と論理エラー率（LER）の改善を両立しながら、格子手術（Lattice Surgery）操作が要求する時空間スケーリングまで同時に達成したものは存在しなかった。Ising Decodingが主張するのは、この「三兎を追う」問題を3D CNNアーキテクチャによって初めて解決したという点であり、SI1000デポラライジングノイズモデルへの対応も実装されている。なお、NVIDIAは複数のソースで「pyMatchingより2.5倍高速、3倍精度が高い」というより高い数値も言及しているが、これはより広いスペック条件での比較値であり、上記の特定条件でのベンチマーク数値と区別して理解する必要がある。
AIがコントロールプレーンになる：量子コンピューティングの構造的転換
Ising発表の技術的な意義を理解するには、量子コンピューティングのエコシステムにおけるNVIDIAの全体構想と照らし合わせる必要がある。
Stanwyckの言葉は、その方向性を明確に示している。「量子GPU超高性能計算、つまり量子アクセラレーターがGPUスーパーコンピューターと統合して価値ある問題を解くことへの道筋はここにある。考え方としては、AIが量子ハードウェアのコントロールプレーンになっていくということだ」。
この発言は、NVIDIAの事業戦略として極めて意味深長だ。量子コンピューターを単独のシステムとして捉えるのではなく、GPUクラスターと連携するアクセラレーターとして位置づけ、その制御レイヤーをAIが担うという構想は、量子コンピューティングをNVIDIAのプラットフォームに統合するための橋頭堡と読み取れる。
実際、Isingは既存のNVIDIAエコシステムとの統合を前提として設計されている。CUDA-Q（ハイブリッド量子古典計算のソフトウェアプラットフォーム）との互換性を持ち、NVQLink（QPUとGPUをつなぐハードウェアインターコネクト）とも統合される。リアルタイム制御とエラー訂正にNVQLinkが使われるという設計は、量子-古典ハイブリッドシステムの制御パスにNVIDIAのハードウェアが必須となる構造を生み出す。
開発者向けのフルスタックアプローチ
NVIDIAが打ち出すIsingの製品体系は、モデルの提供にとどまらない。研究者や開発者が実際に使いこなせるよう設計されたフルスタックのツールキットとして提供される。
具体的には、量子コンピューティングワークフローのクックブック（レシピ集）、ファインチューニング・量子化・推論のワークフロー、アジェンティックワークフローへの統合レシピ、ベンチマークデータと評価用データセット（QCalEvalベンチマーク）が含まれる。さらにモデルはNVIDIA NIMマイクロサービスと合わせて提供され、最小限のセットアップで特定のハードウェアアーキテクチャや用途に向けてファインチューニングできる環境が整えられている。加えて、研究機関が自前の設備でモデルをローカル実行することも可能であり、独自データの保護という観点からも実用性が高い。
PyTorchとcuQuantum cuStabilizerを活用したデコーダートレーニングフレームワークも含まれており、特定の量子プロセッサーのノイズモデルに合わせてカスタマイズしたデコーダーを研究者自身が訓練できる。機械学習の専門知識を持たない量子コンピューティングの研究者でも最先端のAI技術を適用できるという設計思想が、こうした体系の随所に反映されている。
採用機関が示す実装の広がり
発表時点でIsingを導入済みの機関の顔ぶれは、学術研究機関から国立研究所、量子コンピューティング企業まで幅広い。
Ising Calibrationを導入した機関には、Atom Computing、Academia Sinica（中央研究院）、Fermi National Accelerator Laboratory（フェルミ国立加速器研究所）、Infleqtion、IonQ、IQM Quantum Computers、Lawrence Berkeley National Laboratory（ローレンス・バークレー国立研究所）のAdvanced Quantum Testbed、Q-CTRL、UK National Physical Laboratory（英国国立物理研究所）が含まれる。
Ising Decodingについては、Cornell University、Infleqtion、IQM Quantum Computers、Quantum Elements、Sandia National Laboratories（サンディア国立研究所）、SEEQC、University of California San Diego、UC Santa Barbara、University of Chicago、University of Southern California、Yonsei University（延世大学校）が採用を表明している。
これらの機関が発表タイミングでの採用報告として名を連ねているという事実は、IsingがGTM（Go-To-Market）段階から広範な検証を経てリリースされていることを意味する。特に国立研究所レベルの機関——フェルミ国立加速器研究所やサンディア国立研究所——が名を連ねているという点は、量子誤り訂正という防衛・科学上の機密に近い領域においても信頼性が認められているという意味で重みがある。
NVIDIAのオープンモデル戦略における位置づけ
Isingは、NVIDIAが推進するオープンモデルポートフォリオの一角を担う。エージェンティックシステム向けのNemotron、フィジカルAI向けのCosmos、自律走行向けのAlpamayo、ロボティクス向けのIsaac GR00T、バイオメディカル研究向けのBioNeMoに続き、量子コンピューティングという特定ドメイン向けのAIモデルをオープンソースで提供するという方針は一貫している。
この戦略に込められた意図は、モデルをオープンにすることでエコシステムの構築を加速し、結果としてNVIDIAのハードウェア（GPU、NVQLink）とソフトウェアプラットフォーム（CUDA-Q、NIM）の採用を促進するという構造だ。量子コンピューター開発企業からすれば、Isingのモデルを使い始めた時点でNVIDIAのスタックへの依存度が高まる。オープンとクローズドを組み合わせたこの戦略は、AIインフラ市場でNVIDIAが長年実践してきたアプローチの量子コンピューティング版と言える。
量子コンピューティングが商業的に成立するタイムラインについては、現時点でも専門家の間で意見が分かれる。しかしIsingの登場は、その到来に向けた技術的前提条件の一つ——スケーラブルなエラー訂正——に対して、AIというアプローチが実用段階に入りつつあることを示している。NVIDIAのモデルとフレームワークは現在、GitHub、Hugging Face、そしてbuild.nvidia.comで入手可能だ。
Sources