Fabrication et industrie 4.0

L'ordonnancement au niveau de l'atelier permet d'affecter les tâches aux machines dans le temps en tenant compte des contraintes de ressources, de séquence et de livraison. Il s'agit d'un problème classique d'optimisation de la production. À mesure que les chaînes de production deviennent plus complexes et que les attentes en matière de juste-à-temps augmentent, les méthodes d'ordonnancement traditionnelles peuvent avoir du mal à s'adapter à l'échelle et à la flexibilité.
Un cas d'utilisation de l'informatique quantique dans ce domaine étudie la manière dont les algorithmes d'optimisation quantique, tels que l'algorithme d'optimisation approximative quantique (QAOA), peuvent améliorer l'efficacité de l'ordonnancement dans l'atelier. Les objectifs typiques sont la minimisation du temps de fabrication, la réduction des temps morts et la gestion dynamique des perturbations ou des reprises en temps réel.

Les scénarios de production réels ou simulés sont formulés sous forme de problèmes d'optimisation binaire quadratique sans contrainte (QUBO), en tenant compte des contraintes telles que la disponibilité des machines, les dépendances des tâches et les schémas d'affectation. Des solveurs quantiques sont ensuite appliqués pour trouver des solutions d'ordonnancement de haute qualité et sont comparés aux heuristiques classiques.

Pour les fabricants, il s'agit d'explorer et de mettre en évidence la manière dont l'informatique quantique peut contribuer à une planification de la production plus souple, plus efficace et plus résiliente, en particulier dans les environnements à forte mixité et à forte variabilité.

‍

La maintenance prédictive repose sur l'analyse des données des capteurs afin d'anticiper les défaillances des équipements avant qu'elles ne se produisent. Les modèles de classification sont au cœur de ce processus, car ils permettent d'identifier les schémas qui signalent une dégradation ou un dysfonctionnement. À mesure que les ensembles de données gagnent en complexité et en volume, les méthodes classiques peuvent se heurter à des problèmes d'évolutivité et d'interaction des caractéristiques.

Une application de l'informatique quantique à la maintenance prédictive explore l'utilisation d'algorithmes d'apprentissage automatique quantique, tels que les machines à vecteurs de support quantiques (QSVM) ou les classificateurs variationnels, pour améliorer la précision et l'efficacité de la détection des pannes. Ces modèles peuvent offrir des avantages dans le traitement des données non linéaires à haute dimension que l'on trouve couramment dans les systèmes IoT industriels.

L'application consiste généralement à former des classificateurs quantiques sur des ensembles de données de maintenance étiquetés, en comparant leurs performances à des références classiques en termes de précision de prédiction, de faux positifs et de temps de formation.
L'amélioration des capacités de maintenance prédictive peut entraîner une réduction des temps d'arrêt, une baisse des coûts opérationnels et une amélioration de la fiabilité des actifs, ce qui en fait un domaine d'application à fort impact pour l'exploration quantique précoce dans les secteurs de la fabrication, de l'énergie et des transports.