NVIDIA lanza Ising, la primera familia abierta de modelos de IA para sistemas cuántico-clásicos

El 14 de abril de 2026, NVIDIA presentó Ising, la primera línea abierta de modelos de IA diseñados no para chatbots, sino para el mantenimiento de procesadores cuánticos. El lanzamiento apunta a los dos cuellos de botella más dolorosos del sector: la calibración del hardware cuántico y la decodificación de errores en tiempo real. Sin ellos, el camino de las demostraciones de laboratorio a las tareas útiles sigue siendo demasiado largo.

Los ordenadores cuánticos llevan tiempo prometiendo un avance, pero en la práctica no los limita solo el número de cúbits. Estos sistemas son ruidosos, inestables y requieren ajustes constantes. Incluso si el procesador se ha calibrado, los errores en los cúbits se acumulan más rápido de lo que el software convencional puede corregirlos. Por eso, junto a un chip cuántico casi siempre hace falta un potente circuito de control clásico que analice las mediciones de forma continua, recalcule parámetros y ayude a mantener el sistema operativo. NVIDIA lleva varios años apostando por esta combinación de procesador cuántico, GPU y software clásico.

NVIDIA Ising llega en dos vertientes. La primera es Ising Calibration, un modelo de visión y lenguaje de 35.000 millones de parámetros entrenado para interpretar los resultados de experimentos cuánticos y sugerir los siguientes pasos para ajustar el procesador. Según la compañía, junto con un flujo de trabajo basado en agentes, este modelo puede reducir la calibración de días a horas.

La segunda es Ising Decoding, una familia de dos modelos 3D-CNN para la predecodificación de errores en la corrección cuántica. La versión rápida tiene unos 0,9 millones de parámetros y la precisa, unos 1,8 millones. Frente al estándar abierto pyMatching, NVIDIA afirma una aceleración de hasta 2,5 veces y una mejora de precisión de hasta 3 veces; en algunos benchmarks, una mejora de 1,53 veces en la tasa de error lógico con una reducción simultánea de la latencia.

Un aspecto importante del lanzamiento es que se abren no solo los pesos, sino también las herramientas asociadas. NVIDIA publica los modelos, los frameworks de entrenamiento, los conjuntos de datos, recetas de cuantización y ajuste fino, y un nuevo benchmark, QCalEval, para evaluar la calibración con datos reales de equipos cuánticos. Esto es necesario porque cada arquitectura (superconductora, de iones, de átomos neutros y otras) tiene su propio ruido y sus propios escenarios de degradación. Un modelo universal sirve como punto de partida, pero el valor real aparece cuando un laboratorio o fabricante puede adaptarlo a su propio QPU sin sacar datos sensibles al exterior.

La lista de socios indica que no se trata de un experimento de laboratorio para una nota de prensa. Ising Calibration ya lo usan Atom Computing, IonQ, IQM, Infleqtion, Harvard SEAS, Fermilab y el Laboratorio Nacional de Física del Reino Unido. Los modelos de decodificación los prueban Cornell, UC San Diego, UC Santa Barbara, la Universidad de Chicago, Sandia y otros equipos.

Toda la línea complementa la plataforma CUDA-Q para computación híbrida cuántico-clásica y NVQLink, que permite a QPU y GPU intercambiar datos con baja latencia. Para NVIDIA es un movimiento lógico: la compañía no fabrica sus propios procesadores cuánticos, pero quiere convertirse en la capa de cómputo estándar a su alrededor, desde el entrenamiento de modelos hasta el control real y la corrección de errores.

En un plano más amplio, el lanzamiento muestra cómo cambia la lógica de desarrollo del sector cuántico. Antes la conversación giraba en torno al número de cúbits y las arquitecturas físicas; ahora se presta cada vez más atención al software de control, los decodificadores, la telemetría y las herramientas de IA que permiten sacar más partido al hardware existente. Según los analistas de Resonance, el mercado de la computación cuántica podría superar los 11.

000 millones de dólares en 2030, pero esa previsión depende directamente de que la industria aprenda a calibrar y escalar con rapidez sistemas con corrección de errores. Si las métricas anunciadas de Ising se confirman fuera de escenarios de demostración, la IA podría pasar de ser una capa adicional alrededor de los ordenadores cuánticos a una capa operativa obligatoria entre los frágiles cúbits y las aplicaciones reales.

La conclusión práctica es simple: NVIDIA no vende «IA cuántica» como una etiqueta vistosa, sino infraestructura para que las máquinas cuánticas estén paradas con menos frecuencia, se ajusten más rápido y mantengan durante más tiempo un estado útil. Para centros de investigación y empresas, es una oportunidad de acortar el tiempo de los experimentos y acercar el momento en que los sistemas híbridos cuántico-clásicos empiecen a resolver problemas comercialmente relevantes y no de manual.