Quanscients Plan, die alteingesessene CAE-Welt mit nativer Cloud, KI und Quantenalgorithmen aufzumischen

Wofür das 5,2-Mio.-Euro-Wachstumskapital bestimmt ist

Das frische Kapital fließt in drei konkrete Ziele, die alle darauf abzielen, die Ingenieursimulation von den alten Desktop-Beschränkungen zu lösen und in eine skalierbare, KI-integrierte Cloud- und Quanteninfrastruktur zu überführen .

1. Produktentwicklung der Allsolve-Plattform
Die Mittel unterstützen den weiteren Ausbau von Quanscient Allsolve, einem cloud-nativen SaaS-Multiphysik-Löser, der auf unbegrenzten Cloud-Ressourcen wie AWS Batch läuft . Anders als traditionelle Werkzeuge, die für verschiedene Physiktypen manuelle Modulkopplungen erfordern, liefert die Plattform native Kopplungen für Strömungsmechanik, Thermodynamik, Strukturmechanik, Elektromagnetik, Akustik und Piezoelektrik quasi „out of the box“. Das spart mühsame Integrationsarbeit und sprengt die Speichergrenzen einzelner Workstations .

2. Teamausbau und Markteinführung
Die Finanzierung ermöglicht die Vergrößerung des technischen und kommerziellen Teams, um die Akzeptanz in den Branchen Energie, Luftfahrt und Automotive zu steigern. Gerade dort sind die Kosten- und Zeitvorteile schnellerer Multiphysik-Simulationen besonders gravierend .

3. Quantenalgorithmus-Forschung und -Validierung
Ein Teil des Kapitals ist für die Entwicklung von quantennativen Lösern reserviert. Dies ist kein spekulativer Punkt auf einer Roadmap – Quanscient demonstrierte im März 2025 die weltweit erste Mehrzeitschritt-CFD-Simulation (Computational Fluid Dynamics) mit der Quantum Lattice Boltzmann Methode (QLBM) auf Europas erstem supraleitenden 50-Qubit-Quantencomputer . Das erklärte Ziel des Unternehmens ist es, mit quantennativen Algorithmen letztlich einen bis zu 100-fachen Geschwindigkeitsvorteil gegenüber klassischen CAE-Lösungen zu erzielen .

Zwei parallele Wege aus der Multiphysik-Sackgasse

Quanscients Ansatz, die Schwächen traditioneller CAE-Software zu beheben, gliedert sich in einen bereits produktiv nutzbaren Cloud- und KI-Pfad sowie einen längerfristigen Quantenpfad, der inzwischen das reine Forschungsstadium verlassen hat.

Pfad Eins: Cloud-native Simulation mit KI-Erweiterung (jetzt verfügbar)

Stark gekoppelte Multiphysik im Cloud-Maßstab
Allsolve läuft auf praktisch unbegrenzter Cloud-Computing-Leistung. Modelle mit hunderten Millionen Freiheitsgraden lösen sich in Minuten statt in Tagen oder Wochen auf einer lokalen Workstation . Die Domain-Decomposition-Methode der Plattform verteelt große Jobs effizient auf Cloud-Knoten und eliminiert so die Notwendigkeit, Modelle an den lokalen Speicher anzupassen .

MultiphysicsAI für die sofortige Erkundung des Designraums
Ende 2025 brachte Quanscient MultiphysicsAI auf den Markt, eine Entscheidungs-Engine, die hochgenaue Simulationsdaten in physikbewusste KI-Ersatzmodelle (Surrogate Models) umwandelt . Nach dem Training mit proprietären, von Allsolve generierten Datensätzen sagen diese Modelle Leistungsergebnisse in Millisekunden voraus. Ingenieure können so in Sekunden Tausende von realisierbaren Designkandidaten und Zielkonfliktkurven (z. B. Gewicht gegen thermische Leistung gegen Kosten) erkunden, anstatt eine einzelne Simulation durchzuführen und über die nächste beste Option zu rätseln .

Generative und prädiktive KI-Unterstützung
Die Plattform umfasst einen auf generativer KI basierenden Simulationsassistenten, der Nutzerfragen anhand der Dokumentation beantworten kann, sowie einen Anomalie-Detektor, der wahrscheinliche menschliche Fehler in einem Simulations-Setup erkennt, bevor stundenlange Rechenzeit verschwendet wird . Auf der Löserseite wird prädiktive KI integriert, um die Konvergenz direkt zu beschleunigen .

Python SDK für skalierbare ML-Pipelines
Ein Python SDK ermöglicht es Entwicklungsteams, rohe Simulationsdaten programmgesteuert und in großem Umfang zu extrahieren, eigene Trainingsdatensätze zu erstellen und hochgenaue KI-Ersatzmodelle zu trainieren. Dies ist für die automatisierte Ausbeuteoptimierung und die Integration in bestehende Engineering-Software-Stacks ausgelegt, einschließlich natürlichsprachlicher Agenten, die Simulationen auf Basis von Prompts ausführen können .

Pfad Zwei: Quantennative Algorithmen (noch früh, aber validiert)

Quanscient wartet nicht auf die Ankunft fehlertoleranter Quantencomputer. Das Unternehmen hat nach eigenen Angaben die weltweit erste CAE-Plattform gebaut, die von Grund auf für die Integration von Quantenlösern konzipiert wurde, sobald die Hardware ausgereift ist. Zudem hat es Quantenalgorithmen vom Papier auf reale supraleitende Hardware gebracht .

Die QLBM-Demonstration im März 2025 auf dem VTT 50-Qubit-System ist eine handfeste, öffentliche Bestätigung des Quantenansatzes und nicht nur theoretische Modellierung . Die Roadmap des Unternehmens zielt auf einen ersten quantennativen Produktpiloten ab, mit dem langfristigen Versprechen, gekoppelte Multiphysik-Probleme zu lösen, die aufgrund der exponentiellen Skalierungskomplexität auf klassischer Hardware derzeit kaum zu bewältigen sind .

Wo die Technologie zum Einsatz kommt

Die Kombination aus unbegrenzter Cloud-Skalierung, KI-Ersatzmodellen und einer glaubwürdigen Quanten-Roadmap macht die Plattform branchenübergreifend relevant, wo die Hardwareleistung von der Simulationsgeschwindigkeit und -genauigkeit abhängt.

• Automotive: Von HF- und LiDAR-Sensoren bis zum thermischen Management des gesamten elektrischen Antriebsstrangs. MultiphysicsAI bildet den gesamten Designraum unter konkurrierenden Fertigungs-, Leistungs- und Kostenbeschränkungen ab, sodass Ingenieure alle optimalen Kompromisse sehen und nicht nur das erste Ergebnis einer Punktsimulation .
• Luftfahrt: Aerothermische, strukturelle und elektromagnetische Kopplungsprobleme sind zu umfangreich für herkömmliche Desktop-Löser. Das cloud-native Allsolve bewältigt diese mit stark gekoppelter Physik im großen Maßstab, während KI-Modelle schnelle Design-Iterationen ermöglichen .
• Energie: Hochpräzise Multiphysik-Modellierung ist entscheidend für die Zuverlässigkeit von Leistungselektronik, die Simulation von thermischem Durchgehen bei Batterien und das Design erneuerbarer Energiesysteme. Das Python SDK erlaubt automatisierte Parametersweeps über Tausende von Designpunkten .
• MEMS und Halbleiter: Umfassende Kopplung von Piezoelektrik, Elektrostatik, Akustik und elastischen Wellen – modelliert im Produktionsmaßstab ohne vereinfachende Annahmen – ist eines der Anwendungsfelder mit dem höchsten Traffic auf der Plattform .

Das übergreifende Wertversprechen in all diesen Branchen ist der Wechsel von der Bewertung eines einzelnen Designs auf lokaler Hardware zur Erkundung des gesamten realisierbaren Designraums in der Cloud. KI liefert dabei sofortige Vorhersagen und Quantenalgorithmen bieten einen bereits verifizierten – wenn auch noch frühen – Weg zu exponentiellen Beschleunigungen, sobald die Hardware weiter reift.