量子计算的尽头是光量子计算?QCI收购光量子系统公司

(图片来源:网络)

最近,美国量子计算软件企业Quantum Computing Inc.(QCI,纳斯达克股票代码:QUBT)宣布,它已与光量子系统创新公司QPhoton就收购达成了最终协议。QCI表示,收购QPhoton后,将扩展公司的产品线,双方将共同加速量子计算和其他技术的可访问性;同时,将助力QCI打造易于部署的量子解决方案,成为一家具有量子软件和硬件的全栈型量子计算公司。

作为一家光量子系统创新企业,QPhoton旗下产品包括量子系统和光子学系统(QPS),包括用于AI和优化的QPS,其可在室温下运行并能在各种应用环境中保持计算稳定性。其技术性优势在于避免了其他技术方案中因温度过低、需严格控制环境所增加的成本和复杂性。因此,QPhoton的产品易于部署和使用,相比于竞争产品他们大大降低了成本,从而提供了巨大的量子优势。

QCI表示,QPhoton用于优化的QPS可与其Qatalyst软件进行有效配合。该软件旨在降低量子编程的复杂性,可在各种量子计算机上无缝运行。双方结合后,QCI将提供更为广泛可访问且低成本的解决方案,支持全球非量子专家创建并应用于现实世界各行各业。

此外,Qatalyst将继续为量子计算硬件供应商提供中立的软件产品,支持各种量子计算平台,包括D-Wave、IonQ、Oxford Quantum Circuits、Rigetti和QPhoton等。

QCI首席执行官Robert Liscouski表示:“此次收购是QCI兑现其承诺的关键一环,即成为推动非量子专家实现量子价值的民主化力量。QPhoton的强大量子处理技术和系统与QCI Qatalyst 软件相结合,显著加快了量子解决方案的可访问,更好地解决了实际业务问题。就在一年前,这种量子功能似乎还很遥远。借助QPhoton的技术,QCI将推出可在任何地方运行的全栈量子系统,为更多的受众提供价格合理、用户友好的实际业务问题解决方案。”

QPhoton首席执行官Yuping Huang博士说道:“与QCI联手是实现我毕生致力于为工业提供真正量子价值的重要阶段。我们的量子硬件强调交钥匙和具有成本效益的操作,与QCI即用型 Qatalyst软件共同开发和提供的许多其他服务,是一种理想型匹配。这种组合将可扩展的量子解决方案纳入关键业务活动,并为其奠定了基础,并将与当今的经典技术无缝运行。”

Huang博士是史蒂文斯理工学院Gallaher物理学副教授,也是量子科学与工程中心的创始主任,过去几年,它曾获得来自美国政府超过1800万美元的投资支持,并开发了大量量子技术,这些政府机构包括国防部、国家科学基金会和美国宇航局。他的研究推动了实用量子和光子技术的发展,涵盖量子网络、量子生物医学成像、量子芯片处理器以及量子遥感。

Liscouski补充道:“通过收购QPhoton,Huang博士在量子科学与工程中心继续担任领导工作,我们将与史蒂文斯理工学院开展密切合作,为其博士、研究生和本科物理学生提供更多机会。对于QCI来说,这是一个非常重要和令人兴奋的合作伙伴关系。”

史蒂文斯理工学院院长Nariman Farvardin表示:“史蒂文斯理工学院非常自豪Huang教授、QPhoton和QCI达到了这一令人兴奋的目标——让许多行业广泛使用量子优势。Huang博士不仅是一位才华横溢的研究员和企业家,也是史蒂文斯理工学肥沃环境的结晶。史蒂文斯理工学支持教师创造将颠覆工业和社会的新技术。”

Enterprise Strategy Group (ESG)高级分析师Paul Nashawaty表示:“我很清楚,QCI和QPhoton 的结合将能提供一种量子计算机,从而极大地改变量子系统的可访问性,以更快、更经济地方式推动实现。

Nashawaty补充道:“这次合并的一个特殊好处是,两家公司正将量子技术的用户群体扩大到非量子专家,这些用户正焦急地等待在优化、药物发现等领域探索量子解决问题的机会。通过全栈方法,QCI和QPhoton提供了一个独特的机会来加速实际量子应用的交付。我们正在见证推动量子计算发挥价值的发展过程。”

原文链接:

https://thequantuminsider.com/2022/05/24/quantum-computing-inc-announces-agreement-to-acquire-qphoton/

文:Matt Swayne

编译:李每

编辑:慕一

注:本文编译自“the quantum insider,不代表量子前哨观点。

 

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完成实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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