---
title: "NVIDIA Isingとは｜量子コンピュータの校正と誤り訂正を担うオープンAIモデルの性能と使い方"
url: "https://www.issoh.co.jp/tech/details/11806/"
published: 2026-04-16
updated: 2026-11-01
categories: ["AI"]
publisher: "株式会社一創"
---

# NVIDIA Isingとは｜量子コンピュータの校正と誤り訂正を担うオープンAIモデルの性能と使い方

NVIDIA Isingは、NVIDIAが2026年4月14日（World Quantum Day）に公開した、量子コンピュータ開発向けのオープンAIモデル群です。量子プロセッサの測定結果を読んで校正作業を支援する「Ising Calibration」と、量子誤り訂正の復号を速める「Ising Decoding」の2系統からなり、2026年11月時点でHugging Faceに6モデルが並んでいます。

発表の見出しは「実用的な量子コンピュータへの道を加速する」でしたが、実体はGPU上で動く視覚言語モデルと小さなCNNです。量子計算そのものを速める製品ではありません。公開後に追加された版と第三者の論文も含めて、何ができて何ができないかを一次情報で整理します。

## まとめ：NVIDIA Isingの要点（2026年11月時点）

- **2系統のモデル群**：校正用の視覚言語モデル（Ising Calibration）と、誤り訂正用の3D CNNプリデコーダー（Ising Decoding）。
- **Calibrationはプロットを読む部品**：次の手順の提案までは返すが、実験の実行と進み具合の管理を含む校正ワークフロー全体は、エージェント側の仕事として残る。
- **1.5で伸びたのは例示付きの読解**：2026年7月のIsing Calibration 1.5（Gemma 4 31Bベース）で、例を見せてから読ませる評価が44.5から83.0へ上がった。ただし同じ評価でGemini 3.1 ProやClaude Opus 4.6も85点台を出している。
- **デコーダーはPyMatchingの置き換えではない**：局所的な誤りを先に消し、残りをPyMatchingやChromobiusに渡す前段処理。
- **「2.5倍速く3倍正確」は別々の条件の数字**：2.5倍速いのはFastモデル（精度は1.11倍）、3倍正確なのはAccurateモデルをd=31に適用したとき。
- **全部がApache-2.0ではない**：コードはApache-2.0、モデルの重みはNVIDIA Open Model License（初期の3本）またはOpenMDW-1.1（7月追加の版）。
- **使うのは主にQPUを作る側**：自前の量子プロセッサや独自のノイズモデルを持たない利用者には、直接の使い道が少ない。

## NVIDIA Isingのモデル一覧と名前の由来

[NVIDIAのニュースリリース](https://nvidianews.nvidia.com/news/nvidia-launches-ising-the-worlds-first-open-ai-models-to-accelerate-the-path-to-useful-quantum-computers)は、名前の由来を「複雑な物理系の理解を大きく単純化した画期的な数理モデル」と説明しています。統計力学のイジング模型から取った名前で、モデル自体がイジング模型を解くわけではありません。

中央のリポジトリ[github.com/NVIDIA/Ising](https://github.com/NVIDIA/Ising)が掲げるモデルは、2026年11月時点で次の6本です。Calibration 1.5は[2026年7月27日の開発者ブログ](https://developer.nvidia.com/blog/nvidia-ising-enables-fully-automated-quantum-computer-calibration-with-enhanced-in-context-learning/)で発表され、それ以降、中央リポジトリに載るモデルは増えていません。

| モデル                                  | 系統 | 規模        | ベース／構造               | 公開              |
| ------------------------------------ | -- | --------- | -------------------- | --------------- |
| Ising-Calibration-1-35B-A3B          | 校正 | 総35B・稼働3B | Qwen3.5-35B-A3B（MoE） | 2026-04-14      |
| Ising-Calibration-1.5-31B-BF16       | 校正 | 約31B      | Gemma 4 31B（dense）   | 2026-07-23（NGC） |
| Ising-Calibration-1.5-31B-NVFP4      | 校正 | 約31B      | 上記のNVFP4版            | 2026-07-23（NGC） |
| Ising-Decoder-SurfaceCode-1-Fast     | 復号 | 0.91M     | 3D CNN・受容野R=9        | 2026-04         |
| Ising-Decoder-SurfaceCode-1-Accurate | 復号 | 1.79M     | 3D CNN・受容野R=13       | 2026-04         |
| Ising-Decoder-ColorCode-1-Fast       | 復号 | 2.94M     | 3D CNN・受容野R=13       | 2026-07         |

公開日は、Calibration 1がモデルカードの記載、1.5がNGCでの公開日、デコーダーはHugging Faceのリポジトリ作成月です。同じ「Ising」の名前でも、Calibrationは300億パラメータ級、デコーダーは100万〜300万パラメータで、規模は4桁違います。

## Ising Calibration：校正プロットを読み取る視覚言語モデル

超伝導量子ビットなどの量子プロセッサは、動作条件が時間とともにずれていきます。そのため、ラビ振動やT1測定などの校正実験を繰り返し、グラフを見て次のパラメータを決める作業が欠かせません。Ising Calibrationは、この「グラフを読んで判断する」部分をモデルに任せるための視覚言語モデルです。

入力は校正実験のプロット画像（PNG・JPEG）とテキストで、出力は6種類の分析です。技術的な説明、実験結果の4分類（想定どおり／パラメータ不適／異常／装置の問題）、次の校正手順まで含めた考察、フィットの信頼性、パラメータの抽出、修正方針付きの状態コードを返します。NVIDIAはこれで校正を自動化し、所要時間を「数日から数時間」に縮められるとしていますが、これは発表時の主張で、測定条件は公開されていません。[1.5のモデルカード](https://huggingface.co/nvidia/Ising-Calibration-1.5-31B-BF16)も「実験の結論に基づいて動く前に、出力を専門家が検証すること」と明記しています。

### Calibration 1と1.5の違い

1.5は1の単純な後継ではなく、ベースモデルと配布条件がまとめて変わっています。

| 項目       | Calibration 1             | Calibration 1.5                |
| -------- | ------------------------- | ------------------------------ |
| ベース      | Qwen3.5-35B-A3B           | Gemma 4 31B                    |
| 構造       | MoE（256エキスパート中8稼働）        | dense                          |
| 重みのライセンス | NVIDIA Open Model License | OpenMDW-1.1                    |
| 精度の版     | BF16のみ                    | BF16とNVFP4                     |
| ホスト型API  | API一覧に無し                  | build.nvidia.comで提供            |
| GPUの記載   | 最小でL40S 2枚かH100 1枚        | L40S・H200・GB300・DGX Sparkなどで試験 |

学習データはどちらも7.25万件です。内訳は、複数画像を例示として読ませる形式が2.38万件、1枚のプロットを読む形式が4.87万件です。後者はQwen3.5-397B-A17Bで文面を増やした合成データで、実機の生データではありません。

### QCalEvalのスコアと汎用モデルとの差

性能評価には、NVIDIAの研究者らが公開したベンチマーク[QCalEval（arXiv:2604.25884）](https://arxiv.org/abs/2604.25884)が使われています。超伝導量子ビットと中性原子を対象に、22の実験ファミリー・87のシナリオ種別から243サンプルを作り、各サンプルを6種類の質問で評価します。正解はシミュレーションのパラメータから作られており、採点はLLMをジャッジにして行います。

| モデル                    | ゼロショット平均 | MM-ICL平均 | 集計の版    |
| ---------------------- | -------- | -------- | ------- |
| Calibration 1.5（BF16）  | 75.7     | 83.0     | 2026年7月 |
| Calibration 1.5（NVFP4） | 70.5     | 81.2     | 2026年7月 |
| Calibration 1          | 74.7     | 44.5     | 2026年7月 |
| Gemini 3.1 Pro         | 72.3     | 85.2     | 2026年4月 |
| Claude Opus 4.6        | 67.8     | 85.1     | 2026年4月 |
| Gemma-4-31B-IT         | 68.8     | 81.2     | 2026年4月 |

値は[QCalEvalの公式リーダーボード](https://github.com/NVIDIA/QCalEval)から取りました。7月版はIsingの3行だけを載せ、汎用モデルは4月版の表に残っています。採点のジャッジも違い、7月版はGPT-5.4とGemini 3.1 Proの平均、4月版のゼロショットはGPT-5.4だけで採点しています。ゼロショットは6問の平均、MM-ICLは同じ実験ファミリーの正解例を先に見せてから読ませる設定で、Q3（考察）・Q5（パラメータ抽出）・Q6（状態コード）の3問だけの平均です。

1から1.5で大きく伸びたのはMM-ICLで、44.5から83.0へ上がりました。4月版の表ではQwen3.5系のモデルが例示を与えるとかえって点を落としており（Qwen3.5-35B-A3BはQ3で-12.3、Q6で-16.7）、ベースをGemma 4へ替えたことが寄与した可能性はあります。ただし学習条件も変わっているため、この比較だけでは改善の要因を切り分けられません。ゼロショットは74.7から75.7で、ほぼ横ばいです。

注意したいのは、例示付きの設定では汎用の商用モデルが1.5と同等以上の点を出していることです。集計時期は違いますが、4月版でGemini 3.1 Proは85.2、Claude Opus 4.6は85.1でした。ゼロショットでは逆に、汎用モデルの最高がGemini 3.1 Proの72.3で、Calibration 1の74.7が上回っています。測定データを外部APIへ送ってよく、校正済みの例を毎回添えられる環境なら、汎用モデルも有力な比較候補になります。自社のプロットでの正答率、応答時間、運用費をそろえて比べてから選んでください。点数の上では、4月版のゼロショット評価でCalibration 1が掲載された汎用モデルを上回った、というところまでが言える範囲です。導入上の利点は性能比較とは別にあり、重みを手元に置いて自社データで再学習できる点です。

数値は資料によって少しずれます。1.5のモデルカードはBF16をゼロショット74.5・MM-ICL 81.2としており、リーダーボードと一致しません。差の原因は公開されていないため、引用するときはどの資料の値かを明記してください。モデルカード自身も「幅広い汎用能力の評価ではなく、ドメインでの検証として解釈すべき」と書いており、合成ベンチマークの点は実機の校正がそのまま自動化できる保証にはなりません。

### Ising Calibrationが担う範囲：プロットの読解と校正ワークフロー全体の違い

Ising Calibrationは、1枚または複数のプロットを解析し、次に行う校正手順の提案までは返せます。一方、実験を実際に実行し、どの量子ビットまで終わったか・どの値を次の実験に引き継ぐかといった履歴を管理する機能は、モデル単体にはありません。

この線引きを、NVIDIAの外の研究者が具体的に示しています。2026年6月の[arXiv:2606.22376（Vibe Calibration）](https://arxiv.org/abs/2606.22376)は、Ising-Cal-1を「校正ワークフローの状態を記憶も把握もしないステートレスな解析器」と位置づけ、自分たちのモデルは会話履歴・ツール定義・過去の実験結果を受けて次の測定を呼び出す「多段のワークフロー制御」を担うとして、QCalEvalでの直接比較はしていません。同論文のシステムは112量子ビットの超伝導プロセッサのうち108個の校正を4.7時間で自律的に終え、全112個の手作業校正に比べて4〜5倍速かったと報告しています。

NVIDIA自身も、手順の部分は[Quantum Calibration Agent Blueprint](https://github.com/NVIDIA/Quantum-Calibration-Agent-Blueprint)というエージェントの雛形に分けています。Ising Calibrationだけを導入しても校正は自動化されません。測定装置を叩くスクリプト、合格基準、失敗時の分岐を自社で書き、その中のプロット読解部分にモデルを差し込む設計になります。

採用企業の報告もこの見方と合っています。シリコン量子ビットを作るSilicon Quantum Computing（SQC）は[2026年10月21日の発表](https://sqc.com/news/sqc-nvidia-ising)で、Ising CalibrationによってQPUのスクリーニングを3時間から1時間に縮めたと報告しつつ、最大の効果は「カスタマイズしやすいオープンなエージェントのワークフロー」から来たと書いています。

## Ising Decoding：PyMatchingの前段に置くプリデコーダー

量子誤り訂正では、測定で得たシンドローム（誤りの痕跡）から、どこで誤りが起きたかを推定する「復号」を毎ラウンド行います。量子ビットの動作は止まらないため、復号が遅れると誤りが積み上がって計算が破綻します。表面符号で広く使われるオープンソースの復号器がPyMatching（最小重み完全マッチング）です。

Ising Decodingは、PyMatchingを置き換えるものではありません。3D CNNが空間2次元と時間1次元のシンドロームを受け取り、局所的な誤りを並列に先に消します。残ったシンドロームだけを大域的な復号器に渡す構成です。大域側は、表面符号ならPyMatching、カラー符号ならChromobiusです。[arXiv:2604.12841（Chamberlandら）](https://arxiv.org/abs/2604.12841)はこれを「物理誤りの大半を取り除いてから残差を下流の大域復号器に渡す」プリデコーダーと定義しています。

### Fast・Accurate・ColorCodeの使い分け

| モデル                    | 符号    | 受容野  | パラメータ  | 大域復号器      |
| ---------------------- | ----- | ---- | ------ | ---------- |
| SurfaceCode-1-Fast     | 表面符号  | R=9  | 約91.2万 | PyMatching |
| SurfaceCode-1-Accurate | 表面符号  | R=13 | 約179万  | PyMatching |
| ColorCode-1-Fast       | カラー符号 | R=13 | 約294万  | Chromobius |

受容野は、CNNが一度に見る範囲（符号距離方向×時間方向）です。Fastは9×9×9、Accurateは13×13×13の入力で学習されています。受容野が広いほど長い誤りの連鎖を拾えますが、1回の推論は遅くなります。どちらを選ぶかは、符号距離、物理誤り率、QPUが許す往復の遅延予算で決まります。

3D CNNなので、推論時には学習時と違う符号距離やラウンド数を与えられます。公開済みの重みは、一様な回路レベルの脱分極ノイズで学習されています。自社QPUの偏ったノイズに合わせる場合は、25パラメータの非一様ノイズモデルを定義して学習し直す前提です。

## 「2.5倍速く3倍正確」の測定条件：モデルと符号距離の違い

ニュースリリースは、Ising Decodingを「PyMatchingより最大2.5倍速く、3倍正確」と紹介しました。[NVIDIAの開発者ブログ](https://developer.nvidia.com/blog/nvidia-ising-introduces-ai-powered-workflows-to-build-fault-tolerant-quantum-systems/)を読むと、2つの数字は異なるモデルと符号距離で得られたものです。

| 主張          | モデル                 | 符号距離          | 物理誤り率   | もう一方の指標    |
| ----------- | ------------------- | ------------- | ------- | ---------- |
| 2.5倍速い      | Fast＋PyMatching     | d=13          | p=0.003 | 精度は1.11倍   |
| 3倍正確（論理誤り率） | Accurate＋PyMatching | d=31（d=13で学習） | p=0.003 | 速度の倍率は記載なし |
| （参考）2.25倍速い | Accurate＋PyMatching | d=13          | p=0.003 | 精度は1.53倍   |

速度を取ったFastは、精度の改善が1.11倍にとどまります。3倍の精度改善は、より重いAccurateを、学習時より大きいd=31に適用したときの値です。同じd=13で比べると、Accurateは2.25倍速く1.53倍正確で、1ラウンドあたり2.33µs（GB300・FP16・104ラウンド）でした。測定環境は、プリデコーダーをDGX GB300のGPUで、PyMatchingをGrace（Neoverse-V2）のCPUで動かしたものです。

論文の要旨も、GB300上で1ラウンドあたりO(1µs)の復号時間と、無相関PyMatching単独より低い論理誤り率を主張する書き方です。相関付きPyMatchingを上回ったとしているのは、大きいモデルを学習させたd=13までです。

導入を検討するなら、見出しの倍率ではなく、自社QPUの符号距離・誤り率・ノイズ特性で「PyMatching単独」と「プリデコーダー＋PyMatching」を比べてください。リポジトリには両モードを同じ入力で比べる手順（`pymatching_only` と `ising_decoding_pymatching`）が用意されています。

7月に追加されたカラー符号版は、2026年7月13日の開発者ブログでd=31・物理誤り率0.3%のとき、Chromobius単独比で論理誤り率347.7倍改善・実行時間7.3倍短縮と発表されました。こちらも1条件での値です。

## Ising CalibrationとIsing Decodingを動かす手順

### Ising CalibrationのホストAPI呼び出し手順

いちばん手軽なのは、build.nvidia.comのOpenAI互換APIです。2026年11月1日に `https://integrate.api.nvidia.com/v1/models` の一覧を確認したところ、Isingで載っているのは `nvidia/ising-calibration-1.5-31b` だけで、1は含まれていませんでした。build.nvidia.comで発行した `NVIDIA_API_KEY` を環境変数に入れ、プロット画像をbase64で渡します。[APIリファレンス](https://docs.api.nvidia.com/nim/reference/nvidia-ising-calibration-1-5-31b-infer)によると、base64で埋め込めるのはリクエスト全体が200KB以下のときで、180KBを超える画像はNVCFのAsset APIでアップロードしてアセットIDで渡す必要があります。下のコードは小さなPNGを前提にしています。推奨設定はモデルカードに合わせて temperature=0.2、ゼロショットのmax\_tokens=8192です。実行前に `python -m pip install openai` でOpenAI Python SDKを導入し、読み取り対象のPNG画像を実行ディレクトリに `rabi_oscillation.png` として保存してください。

```
import base64
import os
from openai import OpenAI

client = OpenAI(
    base_url="https://integrate.api.nvidia.com/v1",
    api_key=os.environ["NVIDIA_API_KEY"],
)

with open("rabi_oscillation.png", "rb") as f:
    img_b64 = base64.b64encode(f.read()).decode()

resp = client.chat.completions.create(
    model="nvidia/ising-calibration-1.5-31b",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "このラビ振動の測定結果について、フィットの良否と抽出できるパラメータを答えてください。"},
            {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img_b64}"}},
        ],
    }],
    temperature=0.2,
    max_tokens=8192,
)
print(resp.choices[0].message.content)
```

自社の測定データを外部に出せない場合は、NGCのNIMコンテナ（1と1.5の両方あり）か、Hugging Faceの重みをvLLMで自前サーバーに載せます。[1のモデルカード](https://huggingface.co/nvidia/Ising-Calibration-1-35B-A3B)が挙げる最小構成はL40S（48GB）2枚またはH100（80GB）1枚です。

校正実験の実行まで含めて自動化したいなら、Apache-2.0のQuantum Calibration Agent Blueprintが出発点になります。Python 3.11以上で、`qca` コマンドから実験の一覧・実行・ワークフロー実行を呼べます。エージェント本体のLLMにはNVIDIA、Anthropic、OpenAIを選べ、プロットの読み取り部分にIsing Calibrationを使う構成です。

### Ising Decodingの推論・再学習手順

手順は[Ising-DecodingのREADME](https://github.com/NVIDIA/Ising-Decoding)に沿っています。デコーダーの重みはアクセス制限付きです。Hugging Faceでトークンを作ってログインし、利用条件に同意してから取得します。対応するPythonは3.11〜3.13です。既定の評価は測定基底ごとに262,144ショットを処理するため、READMEも「推論に時間がかかる」と注意しています。

```
git clone https://github.com/NVIDIA/Ising-Decoding.git
cd Ising-Decoding
python -m venv .venv && source .venv/bin/activate
pip install -r code/requirements_public_inference.txt

pip install -U "huggingface_hub[cli]"
hf auth login
hf download nvidia/Ising-Decoder-SurfaceCode-1-Fast --local-dir models/

PREDECODER_SAFETENSORS_CHECKPOINT=models/ising_decoder_surface_code_1_fast_r9_v1.0.77_fp16.safetensors \
  WORKFLOW=inference EXPERIMENT_NAME=predecoder_model_1 bash code/scripts/local_run.sh
```

Hugging Faceの重みはfp16のSafeTensors形式です。2026年10月30日の更新までは、リポジトリ同梱のテストと動作確認スクリプトが `.pt` 形式しか探さなかったため、READMEどおりに重みを落としてもテストが失敗し、動作確認の `ising_decoding_pymatching` 段が黙って飛ばされていました。10月30日より前に複製したリポジトリは `git pull` で更新してください。

自社のノイズで学習し直す場合は、`conf/config_public.yaml` で符号（`code: surface` か `code: color`）とノイズモデルを指定し、`code/requirements_public_train-cu12.txt`（またはcu13）を入れて、`WORKFLOW` を付けずに `local_run.sh` を実行します（既定が学習）。カラー符号では、その前に `code/qec/precompute_dem.py --code color` で符号距離・ラウンド数・測定基底ごとの拡張DEMバンドルを作り、`frames_data/` に置いておく必要があります。学習データは、cuQuantumのcuStabilizerで合成したシンドロームです。10月16日の更新でカラー符号の誤りモデルとStimの回路で雑音の定義が食い違っていた点が直り、複数ノードでの学習にも対応しました。

本番の遅延に近づけるには、TensorRTとModel Optimizer（modelopt）を入れたうえで、チェックポイントを指定して `WORKFLOW=inference ONNX_WORKFLOW=2 QUANT_FORMAT=fp8`（または `int8`）を付けて実行し、ONNXに書き出してTensorRTで推論します。FP8の形式と対応GPUは[FP8の仕組みと対応GPUの解説](/tech/details/5959/)を参照してください。FP8の量子化に失敗すると処理は止まりますが、INT8で失敗したときは警告なしでFP32のONNXに戻る点に注意が必要です。書き出した `.onnx` と `generate_test_data.py` が作るテストデータは、CUDA-Q QECのリアルタイム復号にそのまま渡せます。

カラー符号の経路には、2026年11月時点でも制約が残っています。Y基底の分解は未実装で、学習データは固定の誤り率pでしか作れません。`.dets` ファイルからのオフライン復号も表面符号だけです。

## ライセンスと商用利用の条件

ライセンスはコードとモデルの重みを分けて確認する必要があります。Apache-2.0なのはコードとリポジトリで、モデルの重みは別のライセンスです。

| 対象                                 | ライセンス                     | 補足                     |
| ---------------------------------- | ------------------------- | ---------------------- |
| Ising／Ising-Decoding／Blueprintのコード | Apache-2.0                | GitHub                 |
| Calibration 1の重み                   | NVIDIA Open Model License | ベースのQwen3.5はApache-2.0 |
| Calibration 1.5の重み                 | OpenMDW-1.1               | 商用利用可と明記               |
| 表面符号デコーダー2本の重み                     | NVIDIA Open Model License | HFで要ログイン・同意            |
| カラー符号デコーダーの重み                      | OpenMDW-1.1               | HFで要ログイン・同意            |
| QCalEvalデータセット                     | CC-BY-4.0                 | 評価用                    |

Calibration 1のモデルカードは「商用・非商用で利用可」、1.5は「商用利用の準備ができている」と書いています。4月公開の3本と7月公開の2系統でライセンスが入れ替わっているため、版を上げるときは重みごとに条件を読み直してください。

## CUDA-Q・NVQLinkとの関係（2026年11月時点）

IsingはNVIDIAの量子向けソフトウェア群の中で「AIモデル」の層を担い、実行基盤は別製品です。CUDA-Qは量子と古典のハイブリッド計算のプラットフォームで、NVQLinkは量子プロセッサ（QPU）とGPUをつなぐ接続のアーキテクチャです。プリデコーダーをリアルタイムで動かす部分は、CUDA-Q QEC（[github.com/NVIDIA/cudaq-qec](https://github.com/NVIDIA/cudaq-qec/releases)。旧リポジトリ名cudaqxから転送）が受け持ちます。

- **CUDA-Q QEC 0.6.0（2026-04-14）**：CUDA-Q Realtime上で動く最初の版。Isingの3D CNNプリデコーダーとPyMatchingを組み合わせた表面符号のリアルタイム復号パイプラインが入った。
- **0.7.0（2026-08-03）**：TensorRTのデコーダーに、PyMatchingやChromobiusを2段目としてつなぐ設定が追加された。
- **0.8.0（2026-09-12）**：Stimの誤りモデルから直接リアルタイム復号器を組めるようになり、カラー符号のプリデコーダーにChromobiusをつなぐ構成に対応した。同じ版で、PyMatchingのsparse blossomとfusion blossomを組み合わせた並列のマッチング復号器NV Fusion Decoderも加わった（ソース非公開）。
- **0.8.1（2026-10-14）**：qLDPC符号用の復号器（nv-qldpc-decoder）の不具合修正が中心。Isingのサンプルは表記の修正だけで、機能の変更はない。

2026年11月1日に確認したCUDA-Q本体のGitHub正式リリースは0.16.0（2026-09-12）で、PyPIのcudaqは0.16.0.post1です。[2026年9月14日のCUDA-Q拡張の発表](https://investor.nvidia.com/news/press-release-details/2026/NVIDIA-Expands-Open-Source-CUDA-Q-Platform-for-Fault-Tolerant-Quantum-Computing/default.aspx)では、シリコン量子ビットを開発するDiraqがIsingで自社プロセッサを校正したと紹介されています。

依存の度合いは、2系統で大きく違います。Ising Calibrationは普通の視覚言語モデルなので、重みを取ればvLLMなど汎用の推論エンジンで動かせ、呼び出し側もOpenAI互換APIのままです。一方、NVIDIAが用意したIsing Decodingのリアルタイム経路は、NVIDIAのGPUとネットワーク機器が前提です。CUDA-Q QECの[FPGAからのデータ注入の手順書](https://github.com/NVIDIA/cudaq-qec/blob/0.8.1/docs/sphinx/examples%5Frst/qec/realtime%5Fpredecoder%5Ffpga.rst)では、QPU側の制御装置（FPGA）からConnectXのNICとGPUDirect RDMAでシンドロームをGPUへ送り、TensorRTでプリデコーダーを動かして、残りをCPU上のPyMatchingに渡します。検証済みの環境はGB200です。ONNXへ書き出せるので別の実行基盤へ移すこと自体は可能ですが、1ラウンドあたりµs単位の遅延予算に収める作業は自前になります。モデルは無償で公開し、実行はNVIDIAのGPUの上で行わせる構図です。復号系を他社のFPGAや専用回路で組む計画なら、Ising Decodingの重みは性能比較の参照点として使うのが現実的です。

## 採用機関の顔ぶれと導入判断

発表時点でIsing Calibrationを使っているとされたのは12組織です。Atom Computing、Academia Sinica、EeroQ、Conductor Quantum、フェルミ国立加速器研究所、ハーバード大学ジョン・A・ポールソン工学・応用科学大学院、Infleqtion、IonQ、IQM、ローレンス・バークレー国立研究所のAdvanced Quantum Testbed、Q-CTRL、英国国立物理学研究所（NPL）です。Ising Decodingは、コーネル大学、EdenCode、Infleqtion、IQM、Quantum Elements、サンディア国立研究所、SEEQC、UCサンディエゴ、UCサンタバーバラ、シカゴ大学、南カリフォルニア大学、延世大学の12組織が展開中とされました。

その後、[2026年10月21日のGTC Berlinの発表](https://blogs.nvidia.com/blog/open-models-europe-industry/)で事例が追加されています。IQMが自社QPUの校正にIsingを使っていること、SEEQCがNVQLinkとIsingを自社のDigital Linkと組み合わせてリアルタイム誤り訂正の低遅延要件に対応していること、AWSがIsingをAWS Parallel Computing Service（AWS PCS）に統合したことです。AWS PCSについてNVIDIAは、復号は遅延の制約でQPUの隣の古典計算機で行うのが普通で、PCSは本番配置の前に開発する場として使うものだと書いています。

顔ぶれは、QPUを作るメーカーと、制御系・誤り訂正を研究する機関です。Isingが解くのは「量子コンピュータを作る側」の課題で、量子コンピュータを「使う側」のアルゴリズムや業務応用を速めるものではありません。方式ごとの違いや実用化の段階は[量子コンピュータの仕組みと方式の解説](/tech/details/13586/)で整理しています。

採用を見送ってよいのは次のような場合です。

- 自前のQPUも校正データも持たず、クラウドの量子コンピュータを使う立場にある（校正と誤り訂正はクラウド事業者側の仕事）。
- 校正データを外部APIへ送ってよく、正解例を添えて汎用の商用モデルに読ませる運用で足りている（例示付きの評価では汎用モデルが同等以上）。
- 復号用途でIsing Decodingを検討しており、表面符号でもカラー符号でもない符号（qLDPC符号など）が主対象である。qLDPC符号はCUDA-Q QECのRelay-BPなど別の復号器が担う領域で、校正用のIsing Calibrationを見送る理由にはならない。
- 公開済みの重みが前提とする一様な脱分極ノイズと、自社の実機ノイズがかけ離れているのに、再学習の計算資源を用意できない。

逆に、超伝導・中性原子などのQPUを開発し、校正データを社外に出せないまま担当者のグラフ確認が律速になっている組織や、表面符号の復号遅延に悩む組織には、公開コードと重みで自社データに当ててみる価値があります。

## よくある質問

### NVIDIA Isingとは何ですか？

NVIDIAが2026年4月14日に公開した、量子コンピュータ開発向けのオープンAIモデル群です。2026年11月時点で6モデルあり、校正プロットを読む視覚言語モデル「Ising Calibration」と、量子誤り訂正の前段で誤りを減らす3D CNN「Ising Decoding」からなります。

### 名前のIsingはイジング模型と関係がありますか？

名前は統計力学のイジング模型に由来し、NVIDIAは「複雑な物理系の理解を大きく単純化した数理モデル」にちなんだと説明しています。モデルがイジング模型を計算するわけではありません。

### NVIDIA Isingは無料で商用利用できますか？

コードはApache-2.0で、重みも無償で取得できます。ただし重みのライセンスは、Calibration 1と表面符号デコーダーがNVIDIA Open Model License、Calibration 1.5とカラー符号デコーダーがOpenMDW-1.1で、デコーダーの取得にはHugging Faceでのログインと同意が要ります。商用に組み込む前に各条件を確認してください。

### Ising DecodingはPyMatchingの代わりになりますか？

なりません。局所的な誤りを先に消す前段のプリデコーダーで、最終的な判定はPyMatching（表面符号）またはChromobius（カラー符号）が行います。「2.5倍速い」はFastモデルとPyMatchingの組み合わせをPyMatching単独と比べた値です。

### 量子コンピュータを持っていなくても試せますか？

試せます。Ising DecodingはcuStabilizerやStimで合成したシンドロームで学習・推論でき、GPUのあるLinuxマシンで動きます。Ising Calibrationは、校正プロットの画像を用意すればbuild.nvidia.comのAPIから `nvidia/ising-calibration-1.5-31b` を指定して呼び出せます。

## 関連記事

- [量子コンピュータとは？仕組み・方式・実用化の現在地を実装目線で解説する技術ガイド](/tech/details/13586/)
- [Qiskit（キスキット）とは？使い方・インストールとQiskit Textbookの後継教材【2.6対応】](/tech/details/8458/)
- [CUDAとは？読み方と仕組み・CUDA 12と13の違い・始め方【13.4対応】](/tech/details/4902/)
- [Gemma 4とは｜モデル一覧・必要スペック(VRAM)・GGUF/QAT・MTPの使い方【2026年10月】](/tech/details/11651/)
- [Hugging Face（ハギングフェイス）とは？できること・料金・使い方【2026年10月】](/tech/details/6108/)

---

出典: [NVIDIA Isingとは｜量子コンピュータの校正と誤り訂正を担うオープンAIモデルの性能と使い方](<https://www.issoh.co.jp/tech/details/11806/>)（株式会社一創）