Notre équipe d’algorithmes quantiques crée des solutions industrielles pour diverses applications, y compris des simulations avancées pour la pharmacie et la conception de matériaux, ainsi que l’apprentissage automatique quantique pour les réseaux.
La simulation de phénomènes aérodynamiques complexes est cruciale en aéronautique et dans l’industrie spatiale. Ces secteurs font face à des coûts de calcul élevés pour modéliser avec précision les écoulements turbulents et les processus de combustion.
Quandela dispose d’un solveur natif d’équations différentielles quantiques variationnelles photonique qui est très flexible pour traiter divers types d’équations différentielles.
Notre solution peut potentiellement réaliser des simulations de dynamique des fluides plus précises et efficaces, améliorant ainsi la capacité de modéliser des conditions extrêmes et des écoulements complexes. Il a la capacité de remodeler la conception et la performance des systèmes aérospatiaux avancés, ce qui pourrait mener à des innovations dans la propulsion des aéronefs et des engins spatiaux, l’aérodynamique et l’efficacité globale.
Les modèles d’IA nécessitent des ensembles de données d’entraînement vastes et diversifiés, surtout pour des scénarios spécialisés dans les applications automobiles et aérospatiales. Acquérir une grande variété d’images pour diverses conditions (par exemple, différents éclairages, conditions météorologiques ou environnements) peut être coûteux, long et parfois peu pratique. Les transformations complexes d’images nécessitent souvent plus que de simples modifications aux images existantes.
Notre algorithme Quantum Generative Adversarial Network (QGAN) génère des images artificielles à partir de jeux de données existants. Cela permet la création d’images synthétiques diverses qui représentent une variété de scénarios et de conditions.
Cette méthode peut réduire considérablement le coût et le temps d’acquisition de données d’images spécialisées. Cela augmente la diversité des ensembles de données d’entraînement pour les modèles d’IA, rapprochant l’industrie de systèmes d’IA plus robustes et précis pour diverses conditions opérationnelles. La capacité de générer des images artificielles pour plusieurs scénarios améliore la polyvalence et l’applicabilité des modèles d’IA dans les secteurs automobile et aérospatial.
La dimensionnalité des applications de la chimie quantique croît souvent de façon exponentielle, rendant les simulations à grande échelle difficiles sur le plan informatique. Cette complexité entrave l’analyse et la classification des polymères selon des caractéristiques spécifiques, une tâche cruciale pour diverses applications scientifiques et industrielles.
Quandela et Alysophil ont développé un algorithme hybride classique-quantique pour regrouper des polymères dotés de caractéristiques spécifiques, dans le but de s’attaquer à des simulations à grande échelle. Nous utilisons un réseau neuronal classique pré-entraîné pour extraire les caractéristiques essentielles des données. Ces caractéristiques sont analysées par un réseau de neurones quantique qui classe les polymères. Ce processus d’apprentissage par transfert exploite les forces de l’informatique classique et quantique, créant un puissant réseau de neurones hybride quantique-classique.
Les résultats préliminaires concordent avec les simulations classiques, ouvrant la voie à d’autres développements des algorithmes quantiques. La mise en œuvre réussie de cette technique pourrait accélérer considérablement la recherche en science des matériaux, menant potentiellement à des innovations dans la conception et les applications des polymères dans diverses industries.
Comprendre le comportement moléculaire est essentiel pour aider à résoudre les problèmes les plus urgents auxquels la société fait face, comme les changements climatiques, la découverte de médicaments et la science des matériaux. Cependant, prédire avec précision les propriétés d’une molécule ne peut être fait que pour des molécules comportant quelques atomes. Par exemple, simuler une caféine à 24 atomes sur les ordinateurs classiques d’aujourd’hui prendrait plus de temps que l’âge de l’univers. L’informatique quantique promet de progresser significativement dans la prise en charge des simulations dynamiques moléculaires à grande échelle.
Quandela a développé une méthode de pointe qui combine des techniques de fragmentation moléculaire telles que la théorie de l’encastrement de la matrice de densité (DMET) et les résolveurs quantiques variables (VQE) pour s’attaquer aux simulations de grosses molécules.
Notre solution est en voie de calculer les propriétés des systèmes chimiques réalistes en augmentant la précision de l’énergie au sol, avec le potentiel de s’attaquer à des sous-systèmes de protéines largement intriqués.
Les générateurs de nombres aléatoires traditionnels, qui reposent souvent sur des algorithmes déterministes ou des processus physiques pouvant être influencés ou prédits, se sont révélés vulnérables aux attaques. Dans plusieurs cas très médiatisés, les générateurs classiques de nombres aléatoires ont été compromis ou trafiqués, entraînant des failles de sécurité importantes.
Nous avons inventé et développé le protocole Entropy sur notre ordinateur quantique full-stack MosaiQ. Cette combinaison unique génère des nombres certifiés quantiquement aléatoires. Notre approche implique à la fois des contributions théoriques et expérimentales. Nous mesurons les informations potentielles qu’un espion pourrait utiliser pour simuler une violation de localité. Nous avons défini une limite de performance pour que l’appareil produise des nombres aléatoires certifiés. L’appareil s’auto-teste périodiquement pour valider ces chiffres. Nous fournissons une validation expérimentale sur MosaiQ.
Avantage quantique dans le chiffrement des données sur un dispositif photonique à petite échelle. Il produit des nombres intrinsèquement aléatoires avec certification quantique. Le système est robuste contre d’éventuelles tentatives d’écoute. L’auto-test périodique assure une fiabilité continue et des solutions validées expérimentalement, reliant théorie et pratique.
Simuler la mécanique structurelle complexe dans de grandes constructions mécaniques, telles que des barrages hydroélectriques, des ponts ou des gratte-ciel, nécessite de résoudre des équations aux dérivées partielles très intensives en calcul. La haute précision est cruciale dans les infrastructures critiques, où de petites erreurs peuvent entraîner des défaillances catastrophiques.
Le solveur de l’Équation Différentielle Quantique Variationnelle (VQDE) de Quandela, reconnu pour sa précision, modélise les tenseurs de contrainte et calcule les champs de déplacement optimaux.
Notre solution offre des améliorations de la précision de la simulation de la mécanique structurelle dans des systèmes complexes ainsi que des accélérations potentielles des temps de calcul. Il améliore la capacité de prédire et de prévenir les défaillances structurelles dans divers types de grandes constructions mécaniques. Cette technologie peut être appliquée à une grande variété de projets, des barrages hydroélectriques aux conceptions architecturales innovantes, permettant un développement et une maintenance d’infrastructures plus efficaces et fiables.
Une prévision précise de la consommation d’énergie et de la production est cruciale pour une gestion efficace de l’énergie et la stabilité du réseau. Cependant, la grande complexité et la non-linéarité des systèmes énergétiques rendent les prédictions extrêmement difficiles pour les méthodes classiques.
Nous avons conçu un algorithme de calcul quantique photonique pour prédire la consommation et la production d’énergie dans le temps.
Notre méthode peut potentiellement améliorer la précision des prévisions, nous rapprochant ainsi de la réduction des ressources computationnelles comparativement aux méthodes classiques.
Les institutions financières utilisent généralement des modèles classiques pour évaluer le risque de prêter de l’argent aux entités. Qu’il s’agisse d’une personne, d’une entreprise ou du gouvernement, il existe des normes pour les classer du plus sûr au plus risqué pour l’investissement. Cependant, le plus souvent, les entités classées comme « sûres » finissent par faire défaut sur leurs prêts. Les institutions financières visent à prévoir ces « défauts de paiement » à l’avance. Les données permettant de prédire les défauts de paiement peuvent être rares ou déséquilibrées, ce qui en fait une tâche difficile pour les ordinateurs classiques. S’améliorant de quelques points en précision, leurs prévisions pourraient générer des millions en revenus.
Quandela a créé un classificateur hybride photonique boostant qui combine les forces des modèles classiques avec la nouveauté d’un classificateur quantique photonique.
Il a été démontré que notre méthode surpasse l’approche classique, permettant une meilleure prédiction des défauts de paiement.
La gestion et l’optimisation du déplacement de plusieurs agents autonomes, tels que les drones en aérospatiale ou les robots dans les entrepôts, est complexe en raison de nombreuses contraintes (zones d’exclusion aérienne, précision de positionnement, limitations énergétiques). L’évitement des collisions dans les missions de flotte ou de drones en essaim est critique et complexe en calcul. Les algorithmes classiques ont du mal à gérer l’échelle et la complexité de la coordination multi-drones.
Quandela a développé un algorithme d’apprentissage par renforcement quantique (QRL), une solution qui peut fournir des résultats plus rapides et augmenter le nombre de contraintes considérées dans l’optimisation du trafic multi-agents.
Notre solution a le potentiel de créer des opérations plus efficaces et plus sécuritaires dans des environnements complexes, allant des flottes de drones à l’automatisation des entrepôts, ainsi que des systèmes d’évitement des collisions améliorés et une planification optimisée des trajectoires pour les agents autonomes. Cela pourrait représenter un avantage concurrentiel dans les marchés en pleine croissance des technologies de drones et de l’automatisation des entrepôts, augmentant potentiellement l’efficacité opérationnelle et réduisant les coûts. Nous avons testé avec succès une preuve de concept.
La biorémédiation est un procédé qui utilise des systèmes biologiques, généralement des bactéries, des microalgues ou des champignons, pour éliminer les polluants environnementaux de l’air, de l’eau ou du sol. Le docking moléculaire, une méthode clé pour comprendre ces processus, prédit la liaison de petites molécules au site cible, en utilisant les structures des deux éléments. Cependant, cette méthode combinatoire pour filtrer de grandes bases de données de candidats à la configuration d’amarrage fait face à des défis importants. L’exploration efficace de vastes espaces chimiques est extrêmement difficile avec les approches classiques.
Quandela a développé un algorithme d’identification de sous-graphes denses basé sur l’échantillonnage de bosons afin de relever les défis computationnels du docking moléculaire pour la bioremédiation.
Notre solution peut grandement améliorer la précision dans l’identification de candidats prometteurs pour les processus de biorémédiation, soutenant ainsi des stratégies d’élimination des polluants plus efficaces. Cette application de l’informatique quantique favorise également la collaboration entre les experts quantiques et les scientifiques de la vie, accélérant potentiellement les avancées dans les techniques de réhabilitation environnementale et relevant les défis environnementaux pressants.
En savoir plus
Découvrez ce que notre puissance quantique photonique peut faire pour vous.