OQC与Cyxtera将量子计算应用于数据中心

OQC与Cyxtera合作,在数据中心部署量子计算机
OQC与云服务公司Cyxtera合作,将量子计算机安装在数据中心,允许用户在本地数据集上运行量子算法。OQC的全栈量子计算机LUCY是一个80量子比特的系统,可以通过AWSAmazonBraket访问。公司强调量子计算需要与现有云基础设施集成,并且在数据中心内部署可以减少延迟,保护数据安全。

牛津量子电路(OQC)正与云服务公司Cyxtera合作,在数据中心安装量子计算机,方便用户在其本地数据集上运行量子算法。

在葡萄牙里本举行的网络峰会上,牛津量子电路(OQC)首席执行官ILana Wisby谈到了公司在量子计算方面的进步,她认为数据中心是利用这种颠覆性技术力量的最佳场景。

Wisby说:“1982年,理查德·费曼首次提出,我们需要量子计算机来解决真正的难题。我们的自然环境本质上都是由量子构成。因此,大自然比我们拥有的计算机更擅长解决其中一些问题。我们最初是牛津大学的衍生公司,是一家纯粹的量子计算服务公司。现在,我们构建了完整的全栈量子计算机,而不是量子处理器,并使用大学的专有IP。我们开发控制软件和硬件,然后将其连接到云。因此,客户可以直接在我们的系统上运行算法。”

OQC CEO ILana Wisby(图片来源:OQC)

量子计算公司总是被问到的一个问题是:你有多少量子比特?Wisby认为量子比特的数量并不是唯一的关键指标。她说:“我们需要有很多量子比特,对于完全容差的量子比特计算,我们需要数百万个量子比特。但是,如果量子比特本身的质量变差,那么简单地构建更多的量子比特是没有意义的。许多人正在构建更大的系统,但这些系统的整体运行能力越来越差。他们没有提高性能,而是在保持系统稳定时遇到了更多问题。”

目前,OQC从超导电路中制造量子比特。传统的2D电路需要越来越复杂的工程,将芯片上的控制布线路由到量子比特。这降低了量子比特的质量,工程代价高昂,并增加了错误率。其创新的核心技术Coaxmon具有3D架构,可将关键组件带离芯片外,从而大大提高了简单性、灵活性以及至关重要的可扩展性。

OQC的Coaxmon(图片来源:OQC)

OQC还构建了全栈量子计算机。LUCY是欧洲商用量子计算机,是一种80量子比特的量子计算机,可通过公共云和私有云访问。方法之一是登录AWS Amazon Braket,并在LUCY中运行量子算法。

Wisby认为:量子计算必须能与现有的云基础设施集成。她说:“我们正在进入下一阶段,即托管数据中心战略。我们正在数据中心部署我们的计算机,这些数据中心已经是客户的安全端点,他们的数据已经存在。为了使量子计算能够处理现有数据,低延迟连接是必须的。未来,大多数数据中心都将采用混合法,在同一场景结合数字和量子计算机。”

ILana Wisby在网络峰会现场(图片来源:网络)

OQC与Cyxtera的合作

Cyxtera是一家云服务公司,在30多个市场拥有60多个数据中心。两个月前,OQC与Cyxtera合作,在通用设施中安装了第一台量子计算机。两家公司认为,量子计算机与数据中心其余部分的托管和互连将通过减少延迟时间来提供更快的响应时间。在数据中心内启用量子算法还可以保护数据隐私和安全,因为原始数据不会离开所在场所。

Wisby说:“为了使量子计算真正达到可访问,并充分发挥其技术潜力,它必须无缝集成到企业当前的计算和数据管理基础设施中。现阶段,它还无法独立工作。通过这种开创性的合作,我们将让Cyxtera的客户直接访问我们最新的量子计算机,在他们的数据中心内,只需点击一个按钮,而无需对其操作进行任何更改。量子在减少能源使用方面存在巨大的机会,特别是在数据中心内。当然,数据中心在能量密度方面确实存在困难,我们需要很多额外的能量,从而确保我们能以可持续的方式创造更多的可能。”

编译:卉可

​编辑:慕一

内容概要:本文围绕六自由度机械臂的人工神经网络(ANN)设计展开,重点研究了正向逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程,并通过Matlab代码实现相关算法。文章结合理论推导仿真实践,利用人工神经网络对复杂的非线性关系进行建模逼近,提升机械臂运动控制的精度效率。同时涵盖了路径规划中的RRT算法B样条优化方法,形成从运动学到动力学再到轨迹优化的完整技术链条。; 适合人群:具备一定机器人学、自动控制理论基础,熟悉Matlab编程,从事智能控制、机器人控制、运动学六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)建模等相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握机械臂正/逆运动学的数学建模ANN求解方法;②理解拉格朗日-欧拉法在动力学建模中的应用;③实现基于神经网络的动力学补偿高精度轨迹跟踪控制;④结合RRTB样条完成平滑路径规划优化。; 阅读建议:建议读者结合Matlab代码动手实践,先从运动学建模入手,逐步深入动力学分析神经网络训练,注重理论推导仿真实验的结合,以充分理解机械臂控制系统的设计流程优化策略。
评论 1
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