Automobile

La gestion thermique est un défi majeur dans la conception des véhicules électriques, car elle a un impact direct sur les performances, la sécurité et la longévité des batteries. La simulation de systèmes de refroidissement tels que le flux de chaleur à travers ou entre les composants nécessite la résolution d'équations complexes qui peuvent devenir coûteuses en termes de calcul avec les outils classiques.

Dans un cas d'utilisation commun avec le groupe BMW, Classiq a exploré comment l'informatique quantique pouvait soutenir la simulation des systèmes de refroidissement des véhicules électriques. Le projet s'est concentré sur la modélisation et l'optimisation du transfert de chaleur dans des sous-systèmes mécaniques et électriques étroitement couplés, à l'aide d'algorithmes quantiques conçus pour réduire la charge de calcul.

En exprimant des modèles thermiques de haut niveau et en générant automatiquement des circuits quantiques optimisés, le PoC a démontré le potentiel de flux de travail de simulation plus évolutifs. Les approches quantiques ont été évaluées pour leur capacité à améliorer la fidélité de la modélisation et à accélérer les solutions numériques.
Cette collaboration a démontré comment l'informatique quantique peut compléter les techniques de simulation classiques dans la R&D automobile, en explorant une voie vers une conception thermique plus efficace et une innovation accélérée dans les véhicules électriques de la prochaine génération.

La conception de matériaux de batterie avancés tels que les électrolytes solides, les cathodes à haute capacité ou les anodes à charge rapide nécessite une modélisation précise des propriétés à l'échelle atomique telles que la mobilité des ions, la stabilité de la phase et le transport des électrons. Les méthodes classiques se heurtent souvent à la complexité quantique de ces systèmes, en particulier lorsqu'il s'agit de matériaux fortement corrélés.

Un projet d'informatique quantique dans le domaine de l'optimisation des matériaux de batteries explore la manière dont les algorithmes quantiques, en particulier le Variational Quantum Eigensolver (VQE) ou le Quantum Phase Estimation (QPE), peuvent simuler la structure électronique de nouveaux composés avec une plus grande fidélité. Cela permet de mieux cribler les matériaux candidats en fonction de propriétés telles que la conductivité, la stabilité de la tension ou la résistance à la dégradation.
Le cas d'utilisation se concentre généralement sur des fragments moléculaires ou des structures cristallines représentatifs, en comparant les connaissances dérivées de la quantification aux méthodes classiques de chimie computationnelle telles que la DFT. En modélisant l'énergétique, la distribution des charges ou les voies de diffusion, l'étude peut permettre de déterminer les matériaux susceptibles d'offrir des performances supérieures.

Pour les innovateurs dans le domaine du stockage de l'énergie, cette approche offre la possibilité de faire un bond en avant en accélérant la découverte de chimies de batteries plus sûres, plus efficaces et plus durables, essentielles pour l'avenir des véhicules électriques, du stockage en réseau et de l'électronique portable.