NVIDIA lança o Ising, a primeira família aberta de modelos de IA para sistemas quântico-clássicos

Em 14 de abril de 2026, a NVIDIA apresentou o Ising, a primeira linha aberta de modelos de IA feitos não para chatbots, mas para a operação de processadores quânticos. O lançamento mira os dois gargalos mais dolorosos do setor: a calibração do hardware quântico e a decodificação de erros em tempo real. Sem eles, o caminho das demonstrações de laboratório até tarefas úteis continua longo demais.

Os computadores quânticos prometem um avanço há muito tempo, mas na prática não são limitados apenas pelo número de qubits. Esses sistemas são ruidosos, instáveis e exigem ajuste constante. Mesmo quando o processador é calibrado, os erros nos qubits se acumulam mais rápido do que o software convencional consegue corrigi-los. Por isso, ao lado de um chip quântico quase sempre é preciso um poderoso circuito de controle clássico, que analisa medições continuamente, recalcula parâmetros e ajuda a manter o sistema em condições de operação. A NVIDIA aposta há vários anos nessa combinação de processador quântico, GPU e software clássico.

O NVIDIA Ising chega em duas frentes. A primeira é o Ising Calibration, um modelo de visão e linguagem de 35 bilhões de parâmetros, treinado para entender os resultados de experimentos quânticos e sugerir os próximos passos no ajuste do processador. Segundo a empresa, combinado com um fluxo de trabalho baseado em agentes, esse modelo pode reduzir a calibração de dias para horas.

A segunda é o Ising Decoding, família de dois modelos 3D-CNN para pré-decodificação de erros na correção quântica. A versão rápida tem cerca de 0,9 milhão de parâmetros; a precisa, cerca de 1,8 milhão. Em comparação com o padrão aberto pyMatching, a NVIDIA afirma ter aceleração de até 2,5 vezes e ganho de precisão de até 3 vezes. Em alguns benchmarks, informa melhora de 1,53 vez na taxa de erro lógico, com redução simultânea da latência.

Um ponto importante do lançamento é que a abertura vale não só para os pesos, mas também para as ferramentas associadas. A NVIDIA disponibiliza os modelos, frameworks de treinamento, datasets, receitas de quantização e ajuste fino, além de um novo benchmark, o QCalEval, para avaliar a calibração com dados reais de equipamentos quânticos. Isso é necessário porque cada arquitetura (supercondutora, de íons, de átomos neutros e outras) tem seu próprio ruído e seus próprios cenários de degradação. Um modelo universal serve como ponto de partida, mas o valor real aparece quando um laboratório ou fornecedor consegue adaptá-lo ao próprio QPU sem enviar dados sensíveis para fora.

Pela lista de parceiros, não se trata de um experimento de laboratório feito para um comunicado de imprensa. O Ising Calibration já é usado por Atom Computing, IonQ, IQM, Infleqtion, Harvard SEAS, Fermilab e pelo Laboratório Nacional de Física do Reino Unido. Os modelos de decodificação são testados por Cornell, UC San Diego, UC Santa Barbara, University of Chicago, Sandia e outras equipes.

Toda a linha complementa a plataforma CUDA-Q para computação híbrida quântico-clássica e o NVQLink, por meio do qual QPUs e GPUs podem trocar dados com baixa latência. Para a NVIDIA, é um movimento lógico: a empresa não constrói seus próprios processadores quânticos, mas quer se tornar a camada de computação padrão ao redor deles, do treinamento de modelos ao controle real e à correção de erros.

Numa escala mais ampla, o lançamento mostra como muda a lógica de desenvolvimento do setor quântico. Antes, a conversa girava em torno do número de qubits e das arquiteturas físicas; agora, cada vez mais atenção vai para o software de controle, os decodificadores, a telemetria e as ferramentas de IA que permitem extrair mais do hardware já existente. Segundo analistas da Resonance, o mercado de computação quântica pode superar US$ 11 bilhões até 2030, mas essa projeção depende diretamente de a indústria aprender a calibrar e escalar rapidamente sistemas com correção de erros.

Se as métricas anunciadas do Ising se confirmarem fora de cenários de demonstração, a IA pode deixar de ser uma camada adicional ao redor dos computadores quânticos e se tornar uma camada operacional obrigatória entre qubits frágeis e aplicações reais.

A conclusão prática é simples: a NVIDIA não vende "IA quântica" como um rótulo bonito, mas infraestrutura para que as máquinas quânticas fiquem ociosas com menos frequência, sejam ajustadas mais rápido e mantenham por mais tempo um estado útil. Para centros de pesquisa e empresas, é uma chance de reduzir o tempo dos experimentos e aproximar o momento em que sistemas híbridos quântico-clássicos passem a resolver problemas comercialmente relevantes, e não de livro didático.