К содержимому
Другое

ising-predecoder-si1000-finetune

пре-декодеры NVIDIA Ising под шум SI1000

2 мин чтенияобновлено

Набор дообученных чекпоинтов для квантовой коррекции ошибок: модели выступают в роли пре-декодеров поверх классического алгоритма PyMatching и помогают точнее исправлять сбои в поверхностных кодах (surface codes). В основе лежат официальные модели nvidia/Ising-Decoder-SurfaceCode-1-Accurate (~1.8M параметров) и nvidia/Ising-Decoder-SurfaceCode-1-Fast (~913K параметров) от автора dreamstickkkkk9090. Оригинальные чекпоинты NVIDIA обучались на деполяризующем шуме и плохо переносились на другие типы помех, а эта версия адаптирована специально под шумовую модель уровня квантовых схем SI1000. Подойдёт исследователям квантовых вычислений и разработчикам систем коррекции ошибок, работающим с симуляциями поверхностей кодов.

Ключевые особенности

  • Заметный рост точности: на дистанции 13 и 52 раундах при шуме SI1000 (p = 0.003) модель ft3 снижает частоту логических ошибок (LER) в 1.63 ± 0.03 раза относительно одного PyMatching (против 1.24 ± 0.02 у базовой версии NVIDIA).
  • Три варианта под разные задачи: в репозитории лежат чекпоинты ft3 и ft4 на базе Accurate (обучены при уровне шума p = 0.003 и p = 0.002) и лёгкий ft1 на базе Fast в формате fp16.
  • Готовые ONNX-экспорты: для ft3 (d = 13, 13 раундов) и ft1 (d = 9, 9 раундов) добавлены файлы .onnx для запуска без полного пайплайна обучения.
  • Обобщение на новые дистанции: при тестировании на d = 17 и 34 раундах (параметры не встречались при дообучении) ft3 показывает улучшение 1.69 ± 0.07 против 1.12 ± 0.04 у исходного чекпоинта.

Что можно сделать

  • Симулировать квантовую память с шумом SI1000: подключить веса в официальный репозиторий NVIDIA Ising-Decoding для оценки логических ошибок на дистанциях от 9 до 17.
  • Встроить в собственный декодер через ONNX: подавать на вход массив событий обнаружения uint8, получать предсказанный бит логического переворота и остаточные синдромы для последующей передачи в PyMatching.

Пример

export PREDECODER_SAFETENSORS_CHECKPOINT=/path/to/ft3_acc_si1000_epoch16_fp16.safetensors
export CONFIG_NAME=config_acc_si1000_p003
export EXPERIMENT_NAME=my_eval WORKFLOW=inference DISTANCE=13 N_ROUNDS=13
bash code/scripts/local_run.sh
ПодробнееОбучение: одна видеокарта NVIDIA RTX PRO 4000 Blackwell (24 ГБ), оптимизатор Lion, от ~6.5 до 7.3 часа на конфигурацию.
Скорость: на RTX PRO 4000 (FP32, d = 13, 13 раундов, batch 64) связка пре-декодер + PyMatching занимает 92 мкс на выстрел против 49 мкс у чистого PyMatching (сам этап сопоставления ускоряется в 2.8 раза).
Ограничения: обучено и проверено только на симуляциях; на деполяризующем шуме уступает базовым весам NVIDIA; при низком шуме (p = 0.002, 13 раундов) не обходит PyMatching в одиночку.
Примеры
Обсудить Telegram 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # dreamstickkkkk9090/ising-predecoder-si1000-finetune
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download dreamstickkkkk9090/ising-predecoder-si1000-finetune --local-dir ~/models/ising-predecoder-si1000-finetune
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ising-predecoder-si1000-finetune
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии Ising-Decoder-SurfaceCode-1-Accurate — сжатые, дообучения, LoRA — появятся в колокольчике.

Дообучения 1Все на Hugging Face

О модели

dreamstickkkkk9090/ising-predecoder-si1000-finetune
Автор
dreamstickkkkk9090
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

01

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

FOCAL-Finetune

FOCAL-Finetune
Другое

Kefir 2 SFT

Kefir 2 SFT