BMW, Pasqal applicano il Quantum Computing alla progettazione e produzione di automobili

La casa automobilistica BMW e lo sviluppatore di tecnologia di calcolo quantistico Pasqal sono entrati in una nuova fase di collaborazione per analizzare l’applicabilità degli algoritmi di calcolo quantistico alla modellazione delle applicazioni di formatura dei metalli.

L’industria automobilistica è uno degli ambienti industriali più esigenti e l’informatica quantistica potrebbe risolvere alcuni dei problemi chiave di progettazione e produzione. Secondo un rapporto di McKinsey, l’automotive sarà uno dei principali pool di valore per l’informatica quantistica, con un impatto elevato che si noterà intorno al 2025. La società di consulenza prevede anche un impatto economico significativo delle tecnologie correlate per l’industria automobilistica, stimato in 2 miliardi di dollari a $ 3 miliardi, entro il 2030.

Il Gruppo Volkswagen ha aperto la strada con il lancio di un team di ricerca dedicato all’informatica quantistica nel 2016.

BMW, Pasqal applicano il Quantum Computing alla progettazione e produzione di automobili

BMW collabora con Pasqal dal 2019 per sviluppare metodi quantistici avanzati per la chimica e la scienza dei materiali nel campo della ricerca e sviluppo delle batterie, ha detto Benno Broer, CCO di Pasqal EE Times Europa.

L’attuale collaborazione, tuttavia, segue il BMW Group Quantum Computing Challenge alla fine del 2021. Il concorso si è concentrato su quattro sfide specifiche in cui il calcolo quantistico potrebbe offrire un vantaggio rispetto ai metodi computazionali classici e Qu&Co è stato il vincitore nella categoria “Simulazione della deformazione del materiale in il processo produttivo”. Qu&Co e Pasqal hanno successivamente unito le loro attività, combinando il robusto portafoglio di algoritmi di Qu&Co con il sistema full-stack di atomi neutri di Pasqal per accelerare il percorso quantistico verso le applicazioni commerciali. L’azienda unita è conosciuta come Pasqal e si trova a Parigi.

“Il motivo per cui siamo stati scelti è perché il nostro metodo proprietario per risolvere equazioni differenziali complesse è attualmente l’unico metodo realistico per risolvere tali problemi su processori quantistici a breve termine”, ha affermato Broer. “I problemi di deformazione del materiale su cui lavoreremo ora con il BMW Group sono governati da tali equazioni differenziali”.

Pascal ha affermato che il suo team di ricercatori ha sviluppato un’implementazione digitale-analogica dei suoi metodi quantistici, su misura per i suoi processori quantistici ad atomi neutri, che rende queste applicazioni “30 volte più efficienti” rispetto ai processori quantistici superconduttori concorrenti.

Quando gli è stato chiesto di fornire maggiori dettagli su questo approccio digitale-analogico, Broer ha spiegato: “Il nostro approccio ci richiede di creare una quantità significativa di entanglement quantistico tra i nostri qubit. Intuitivamente: più entanglement creiamo, più potente (più accurato) diventa il nostro metodo. In un’implementazione completamente digitale, creiamo questo entanglement applicando operazioni di gate a 2 qubit (che coinvolgono 2 qubit). Nella versione digitale-analogica dell’algoritmo, sostituiamo questa operazione di entanglement con un’operazione analogica, che è un’operazione multi-qubit. La sostituzione delle porte a 2 qubit con questa operazione analogica multi-qubit rende il metodo molto più efficiente e allo stesso tempo più robusto dal punto di vista del rumore”.

“Il risultato è che possiamo generare molto più entanglement nel tempo che abbiamo prima che il processore quantistico diventi decoerente (perde la sua quantistica a causa del rumore intrinseco in tutti gli attuali processori quantistici). E ancora: più entanglement significa un risolutore più potente”.

L’approccio digitale-analogico di Pasqal è descritto più dettagliatamente nel post del blog, Neutral Atom Quantum Computing per l’apprendimento automatico basato sulla fisica.

Le simulazioni verranno eseguite nelle strutture di Pasqal per un periodo di sei mesi.

Quanto a quando i primi modelli di auto ottimizzati con le simulazioni di Pasqal arriveranno sulle strade, Broer ha affermato che è troppo presto per dirlo. “Quello che possiamo dire è che Pasqal prevede di essere in grado di mostrare il primo vantaggio quantistico rilevante nel settore con i nostri risolutori di equazioni differenziali nel 2024. Non possiamo ancora garantire che quei primi vantaggi quantistici saranno per l’applicazione della deformazione dei materiali”.

Le applicazioni nel mondo reale di queste simulazioni includono crash test e sviluppo accelerato di parti e materiali nuovi, più leggeri e più resistenti che garantiscono la sicurezza dei passeggeri riducendo al contempo le emissioni e i costi di sviluppo, ha affermato la società.

La riduzione dei costi di sviluppo che le simulazioni di Pasqal potrebbero consentire a BMW di ottenere non può essere quantificata in questo momento, ha affermato Broer. “In generale, vediamo una tendenza alla sostituzione dei cicli di costruzione e test costosi e dispendiosi in termini di tempo nella ricerca e sviluppo automobilistico con la ricerca digitale (creando “gemelli digitali” dell’auto o delle parti di automobili). Il vantaggio finanziario correlato a ciò dovrebbe essere quantificato sia nel costo risparmiato per il processo fisico di costruzione e collaudo, nel costo del materiale risparmiato (utilizzando meno metallo pur mantenendo la stessa resistenza strutturale) e forse soprattutto nel tempo notevolmente migliorato -to-market di una nuova generazione di automobili.”

Ha aggiunto: “I nostri metodi quantistici forniscono la potenza di calcolo aggiuntiva richiesta per consentire simulazioni accurate di tipo “gemello digitale” di parti più grandi e complesse di un’auto o forse un giorno un’auto completa”.

La simulazione computazionale quantistica di Pasqal, ora applicata alle automobili, potrebbe essere utilizzata per altri settori. Per ogni nuova classe di problemi di equazioni differenziali, Broer ha affermato che Pasqal deve parametrizzare i suoi algoritmi quantistici per essere in grado di risolvere quella specifica classe. “Una volta che siamo in grado di risolvere il problema della deformazione del materiale, possiamo utilizzare questi solutori per affrontare anche problemi al di fuori di questo campo in cui le equazioni differenziali hanno una struttura simile”.


Leggi anche:

Pasqal_QuCo

quantistico

Leave a Comment

Your email address will not be published. Required fields are marked *