Terra Quantum和大众资料实验室(Volkswagen Data:Lab)合作演示了混合量子计算在汽车行业的潜力。通过量子增强特性以指数方式来提高计算性能的能力有望在不同的场景中获得竞争优势。

他们近日合作发表的两篇研究论文概述了他们的共同努力，并为汽车生产中的量子就绪应用提供了基础性的研究工作，他们优化了装配线的工作流程调度以及开发了利用混合机器学习来增强用于汽车分类的图像识别系统。

鉴于量子计算能力的前景，汽车行业将受到该技术的积极影响。现在，Terra Quantum和大众汽车的共同努力展示了该技术的实际应用。这个联合研究团队分析了量子技术可以使汽车行业受益的两种情况：能优化装配线的工作流程以及能用于增强图像识别的量子机器学习。

Terra Quantum创始人、首席执行官兼董事长Markus Pflitsch说：“量子技术的应用将是确保汽车行业获得竞争优势的战略步骤。启用量子的数据处理可以在更短的时间窗口内提供更好的结果。这意味着企业能有更好的计划、时间管理方法和更高的成本效率。我们的应用可以为客户提供这种业务优势。”

Terra Quantum提供了构建特定应用的混合量子算法并将其部署在混合量子云“QMware”上的能力。在这个完全集成的开发环境中，量子计算和经典计算的能力被结合以提高性能。在完成应用研究后，该联合团队在arxiv(研究共享平台)上与科学界分享他们的成果。这两篇展示了汽车行业应用的论文指出了量子计算在该行业的应用潜力。

第一篇论文将重点放在装配线程序中的质量控制测试上，这是一个非常复杂的优化挑战。该联合团队探讨了如何改进装配线上的最后一个重要步骤。为确保生产质量，熟练的工人会进行一系列的测试和检查。这个研究的目标是定义最优化和最可行的测试计划，它需要用最少的时间来完成。其复杂性源于测试和资源容量之间的依赖关系，例如不断变化的工作人员可用性。

Terra首席产品官Florian Neukart博士说：“在工作流中有效地组织特定的时间敏感型任务是一项重大挑战。它包括了要考虑的一组复杂的约束和依赖关系。随着问题规模的增加，这些变量对经典计算机提出了棘手的挑战。通过我们的混合量子计算方法，我们可以结合高性能计算并利用量子力学的独特能力。通过这种组合，我们将能够应对最复杂的计算挑战。”

利用新的数学公式和处理复杂性的独特分解技术，该研究团队展示了部署在QMware云上的混合解决方案的潜力。在论文中，他们提出了一种针对这一特定应用的分解方法，以降低复杂性并证明该方法的有效性：与所选的量子、经典和混合量子经典算法相比，它实现了更优化的测试计划。

第二篇论文专注于机器学习。该研究小组旨在提高图像识别的准确性。例如，在制造环境中，这些系统对于故障检测非常有价值。该团队开发了一种新的混合量子机器学习算法，并将其部署在QMware云上。他们建立了一个混合量子残差神经网络模型，并通过量子元素和一种受量子启发的张量训练超参数优化的新方法进行了增强。该团队将此方法与经典机器学习方法进行了基准测试比较，并观察了随着问题规模的扩大，在预期运行时间和适应度方面的性能改进。新开发的方法可以在更少的迭代中提高图像识别任务的准确性。

Terra Quantum的混合量子计算方法在其最新的白皮书中进行了概述，并证明了其性能优于所选的经典方法。这种卓越的计算能力为在今天创造出业务优势提供了机会。该白皮书还展示了他们混合量子算法库的性能，以及它们在混合量子云QMware上的执行能力。通过将高性能计算和量子计算技术结合在一个集成平台中，Terra可以为复杂的计算问题提供更快、更准确的结果。（编译:Qtech）