霍尼韦尔助战,汽车制造巨头踏上量子计算革命征途

美国当地时间1月27日,德国汽车制造商宝马(BMW)表示正在开发量子计算技术,该技术使用霍尼韦尔量子计算机,为的是寻求购买大量汽车零部件的最有效途径。

宝马使用霍尼韦尔的H0和最新的H1系统模型,用以确定什么时候从哪个供应商处购买哪些零部件,保证在维持生产计划的同时,将成本降到最低。
 
在这里插入图片描述

图1|霍尼韦尔足球大小的腔室(来源:霍尼韦尔)

例如,就宝马的供应商来看,有些可能会更快交付,但有些可能价格更为低廉。量子计算机将从众多选项和其分支中进行优化,而宝马的最终目的是实现更为灵活的制造环节。

宝马IT部门的主管Julius Marcea表示,其很高兴能够参与到量子计算对汽车行业的变革当中,扩展工程性能的极限。

宝马与量子计算的融合,属于这种新兴技术应用于现实世界中的范例之一。像汽车制造商一样,用量子计算优化问题解决方案,是量子计算机有望超越经典计算机的领域之一,从一系列可能性中寻找最优解。

值得注意的是,宝马并不是汽车制造商内,第一个测试量子计算的企业。早在2018年11月5日,大众汽车就已经开始使用量子计算来开发更好的交通管理系统[2]。
 
在这里插入图片描述

图2|大众汽车用量子计算管理交通(来源:Volkswagen)

Marcea补充说,宝马从2018年就开始对量子计算进行评估,关于量子计算能够提供帮助的地方也有很多自己的想法。

比如,量子计算机可以改善电动汽车的电池化学性能,并找出安装充电站的最佳位置。它还可以从成本、安全、空气动力学和耐用性方面,解决设计和制造的一系列要求。

宝马IT部门的专家预计,量子计算机距离商业化,还有几年的时间。

 

1.超越经典的量子计算

初期阶段,宝马将测试量子计算速度,并确保小规模计算与经典计算机的运算结果相匹配。

然而,霍尼韦尔量子解决方案业务的总裁Tony Uttley表示,在大约18-24个月左右的时间里,量子计算机就可以解决经典计算机无法解决的优化问题。

量子计算机与经典计算机有着天壤之别,其使用量子比特存储和处理数据。此外,多个量子比特可以通过纠缠现象连接在一起,这使得量子比特包含了解决一个问题的多种可能方案。
 
在这里插入图片描述

图3|比特间的纠缠(来源:Physics World)

而量子计算机制造商正在竞相制造拥有数十个量子比特的机器,他们希望最终能够制造出成千上万个量子比特,来处理更为复杂的计算。

此外,目标之二是实现稳定的量子比特,这样可以延长计算运行的时间,而实现这一目标的关键点在于量子计算的纠错技术。

其他与霍尼韦尔合作的企业还包括国际物流公司敦豪(DHL)、世界上最大的制药企业之一默克(Merck)、世界上最大的管理咨询公司埃森哲(Accenture)、美国最大的金融服务机构摩根大通(JPMorgan Chase)和世界最大的私营石油公司之一BP公众(BP),前称英国石油(British Petroleum)。

 

2.量子计算编程提供帮助

如同量子计算机和经典计算机之间存在差别一样,两者的编程也有所不同。像微软、谷歌和IBM等科技公司,正在致力于软件层的开发,使量子计算机易于访问。

对量子计算感兴趣的公司常常在想,何时可以编写自己的量子算法,或者何时可以自己编程一台量子机器。对此,霍尼韦尔量子解决方案业务的总裁Tony Uttley认为,几乎所有的公司都无法完成这两点。
 
在这里插入图片描述

图4|Tony Uttley(来源:Forbes)

目前,有像剑桥量子计算公司(CQC)和Zapata Computing这样的专业中间商来解决上述的两个问题。而宝马也拥有一个这样的专业中间商——新加坡量子计算初创公司Entropica Labs。

Entropica的联合创始人Ewan Munro表示,公司致力于发展更好的量子计算硬件,例如更多量子比特的量子计算机,且比特之间的处理连接更加优越,以降低量子计算的错误率。

Munro补充说,目前还没有能够运行各种算法的大型、强大的量子计算机,为组合优化或机器学习提供指数级加速。

Zapata的首席执行官Christopher Savoie认为,现阶段,量子计算向商业化发展是必然趋势。问题已经不在于是否会发生,而在于何时会发生。

 

3.霍尼韦尔的量子计算进展

霍尼韦尔正在与包括Silicon Quantum Computing、IBM、谷歌、英特尔、Rigetti Computing、IonQ和Xanadu在内的公司展开竞争,已实现量子计算的发展与进步。

霍尼韦尔目前最快的量子计算机H1拥有10个量子比特,但在接下来的几周时间里,公司计划增加至12-20个量子比特。H1内最多可以容纳40个量子比特,而霍尼韦尔计划未来几年在H1的基础之上更新迭代。
 
在这里插入图片描述

图5|霍尼韦尔量子计算机(来源:TechSpot)

霍尼韦尔量子解决方案业务的总裁Tony Uttley表示,随着增加额外的量子比特,量子计算机将超越经典计算所不能到达的极限。

拥有更多的量子比特,对量子计算机技术来说是十分必要的。且纠错技术的发展,使计算维持正轨的时间更长。而纠错技术的基础是将多个物理量子比特组合在一起,构造出一个更为持久的逻辑量子比特。

Uttley补充说,霍尼韦尔即将创造出一个逻辑量子比特,且公司有信心在今年达成这一目标。

 

参考链接:

[1]https://www.cnet.com/news/bmw-takes-first-steps-into-the-quantum-computing-revolution/

[2]https://www.engadget.com/2018-11-05-volkswagen-quantum-computer-traffic-management.html

 

声明:此文出于传递高质量信息之目的,若来源标注错误或侵权,请作者持权属证明与我们联系,我们将及时更正、删除,所有图片的版权归属所引用组织机构,此处仅引用,原创文章转载需授权。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值