量子算法公司Phasecraft Ltd.今日宣布已获得3400万美元新融资,用于加速将量子计算的理论前景转化为实际应用。
Phasecraft成立于2019年,专注于通过弥合当前有噪声中等规模量子设备与未来大规模系统之间的差距,让量子计算更早发挥实用价值。与其他依赖容错量子计算机最终到来的公司不同,Phasecraft正在开发超高效算法,使当前不完美的机器能够在现实环境中产生有意义的结果。
该公司不专注于单一平台或解决方案,而是采用硬件无关的方法。这样做可以实现与多个平台的兼容性,并最大化早期商业采用的机会。公司在量子计算有潜力产生可衡量影响的不同行业开展工作,如材料发现、化学、能源系统和物流优化。
Phasecraft的方法论——将量子设备与经典计算配对——提供混合解决方案,可以模拟复杂材料、优化能源网格,甚至解决生物研究中的问题。这些算法在使材料模拟效率提高数百万倍方面已显示出前景,这可能加速新太阳能电池、催化剂或药物的设计。
该公司与多家硬件提供商合作,包括谷歌量子AI、IBM、Quantinuum和QuEra Computing,这使其能够在先进机器上测试和完善算法,推动实际应用。Phasecraft还与Johnson Matthey、Oxford Photovoltaics、国家能源系统运营商和BT集团等合作伙伴共同开发针对其需求的定制解决方案。
公司的研发方法借鉴了理论物理、计算机科学和大量数值模拟的新颖见解。探索领域包括药物发现(量子模拟可以缩短理解分子相互作用的过程)和能源韧性(优化网络可以提高效率和可持续性)。
联合创始人兼首席执行官Ashley Montanaro表示:"我们的算法现在就在产生有意义的结果,无论是模拟复杂材料的物理特性还是优化大型能源网络的结构,而我们与世界顶级量子硬件提供商的合作伙伴关系将增加我们的算法对商业应用的影响。"
本轮B轮融资由Plural Platform、Playground Global和Novo Holdings量子基金共同领投,LocalGlobe Management、Albion Capital Group和Parkwalk Advisors也参与其中。
Plural合伙人Ian Hogarth表示:"Phasecraft正在以以前认为不可能的方式革命化量子领域。其硬件无关的方法意味着它能够与世界上一些最强大的计算设备合作,创建效率提高数百万倍的算法,现在正帮助解决材料发现和能源网络优化等现实世界问题。"
Q&A
Q1:Phasecraft公司有什么特殊之处?
A:Phasecraft采用硬件无关的方法,不依赖单一平台,而是开发能在当前不完美量子设备上运行的超高效算法。与其他等待容错量子计算机的公司不同,它专注于让现有量子设备产生实际应用价值。
Q2:Phasecraft的量子算法能应用在哪些领域?
A:主要应用于材料发现、化学、能源系统和物流优化等领域。具体包括模拟复杂材料、优化能源网格、药物发现中的分子相互作用理解,以及提高能源网络效率和可持续性等实际问题。
Q3:Phasecraft与哪些公司有合作关系?
A:硬件方面与谷歌量子AI、IBM、Quantinuum和QuEra Computing合作测试算法;应用方面与Johnson Matthey、Oxford Photovoltaics、国家能源系统运营商和BT集团等合作开发定制解决方案。
好文章,需要你的鼓励
Meta宣布为Facebook Dating推出AI聊天机器人助手,帮助用户找到更匹配的对象。该AI可根据用户需求推荐特定类型的匹配者,并协助优化个人资料。同时推出Meet Cute功能,每周提供算法选择的"惊喜匹配"。尽管18-29岁用户匹配数同比增长10%,但相比Tinder的5000万日活用户仍有差距。AI功能已成为约会应用标配,Match Group等竞争对手也在大力投资AI技术。
字节跳动团队提出RewardDance框架,首次系统性解决视觉生成中的奖励模型扩展问题。该框架通过将奖励预测转为生成式任务,并将模型规模扩展至260亿参数,同时集成任务指令、参考样例和推理能力,有效解决了"奖励作弊"问题。实验显示,在文本生成图像任务中质量提升10.7分,视频生成性能改善49%,达到行业领先水平,为AI视觉创作提供了更强大可靠的技术基础。
Neo4j认为已找到让生成式AI访问图数据库记录的方法。图数据库专注于数据点之间的关系建模和查询,在欺诈检测、推荐引擎等场景中表现出色。2024年4月,ISO批准了图查询语言GQL标准,Neo4j的Cypher查询语言完全符合该标准。现代工具提供拖拽式工作流程,GenAI可作为自然语言接口,将用户请求转换为Cypher查询。
ByteDance团队开发的Mini-o3系统通过深度多轮推理突破了传统AI视觉理解的局限。该系统能像人类侦探般进行几十轮的视觉探索,在困难的视觉搜索任务上准确率达48%,相比现有模型提升显著。核心创新包括挑战性的Visual Probe数据集、多样化推理策略训练和突破性的过轮掩码技术,实现了测试时思考轮数的自然扩展。