Financement de 5,2 M€ pour Quanscient : Comment le cloud, l'IA et le quantique réinventent la simulation multiphysique

L'objectif du financement de 5,2 M€

Ce nouveau capital vise trois objectifs précis, tous articulés autour d'une même idée : libérer la simulation de la contrainte des stations de travail pour la porter vers une infrastructure cloud et quantique, scalable et intégrée à l'IA .

1. Développement de la plateforme Allsolve
Les fonds soutiennent la construction continue de Quanscient Allsolve, un logiciel en tant que service (SaaS) multiphysique cloud-native. La plateforme fonctionne sur des ressources de calcul cloud quasi illimitées, via des services comme AWS Batch . Contrairement aux outils traditionnels qui exigent d'assembler manuellement des modules pour différents types de physiques, Allsolve intègre nativement les couplages pour la mécanique des fluides, la thermique, la structure, l'électromagnétisme, l'acoustique et la piézoélectricité. Ceci élimine les étapes d'intégration manuelle et repousse les limites de mémoire d'un poste unique .

2. Croissance de l'équipe et commercialisation
Le financement permet d'étoffer les équipes techniques et commerciales de Quanscient afin d'accélérer l'adoption de sa solution dans les secteurs de l'énergie, de l'aérospatiale et de l'automobile. Là où les gains de temps et de coûts d'une simulation multiphysique plus rapide sont les plus critiques .

3. Recherche et validation d'algorithmes quantiques
Une partie du capital est réservée au développement de solveurs quantiques natifs. Il ne s'agit pas d'une vague promesse inscrite sur une feuille de route : en mars 2025, Quanscient a réalisé une démonstration mondiale en exécutant la première simulation de mécanique des fluides numérique (CFD) multi-pas de temps utilisant la méthode de Boltzmann sur réseau quantique (QLBM), sur le premier ordinateur quantique supraconducteur de 50 qubits d'Europe . L'objectif affiché de l'entreprise est que ses algorithmes quantiques natifs offrent à terme un avantage de vitesse pouvant atteindre un facteur 100× par rapport aux solutions CAE traditionnelles .

Deux voies parallèles pour réparer la simulation multiphysique

L'approche de Quanscient pour corriger les faiblesses des logiciels CAE classiques se divise en deux axes : une voie cloud et IA, déjà opérationnelle, et une voie quantique à plus long terme, désormais sortie du stade de la recherche pure.

Voie 1 : Simulation cloud-native avec IA (disponible aujourd'hui)

Multiphysique fortement couplée à l'échelle du cloud
Allsolve exploite une puissance de calcul cloud virtuellement illimitée, permettant de simuler des modèles de centaines de millions de degrés de liberté en quelques minutes, contre plusieurs jours, voire semaines, sur une station de travail locale . La méthode de décomposition de domaine de la plateforme répartit efficacement les gros travaux de calcul sur les nœuds du cloud, supprimant ainsi la nécessité de simplifier les modèles pour les faire tenir en mémoire locale .

MultiphysicsAI pour l'exploration instantanée de l'espace de conception
Fin 2025, Quanscient a lancé MultiphysicsAI, un moteur de décision qui transforme les données de simulation haute-fidélité en modèles d'IA de substitution (surrogate models) conscients de la physique sous-jacente . Entraînés sur des jeux de données propriétaires générés par Allsolve, ces modèles prédisent les résultats de performance en quelques millisecondes. Les ingénieurs peuvent explorer des milliers de conceptions viables et leurs courbes de compromis (par exemple, poids contre performance thermique contre coût) en quelques secondes, plutôt que de lancer une seule simulation et de deviner l'option suivante .

Assistance par IA générative et prédictive
La plateforme comprend un assistant de simulation, basé sur l'IA générative, capable de répondre aux questions des utilisateurs en se référant à la documentation, ainsi qu'un détecteur d'anomalies qui signale les erreurs humaines probables dans la configuration des simulations avant que de longs calculs ne gaspillent du temps machine . Côté solveur, une IA prédictive est en cours d'intégration pour accélérer directement la convergence des calculs .

SDK Python pour des pipelines d'IA/ML à l'échelle
Un kit de développement logiciel (SDK) Python permet aux équipes d'ingénierie d'extraire les données brutes de simulation par programmation et à grande échelle, de construire leurs propres jeux de données d'entraînement et de créer des modèles d'IA de substitution haute-fidélité. Cet outil est conçu pour l'optimisation automatisée du rendement et l'intégration dans les chaînes logicielles d'ingénierie existantes, y compris avec des agents en langage naturel capables d'exécuter des simulations à partir de simples instructions .

Voie 2 : Algorithmes quantiques natifs (précoce mais validé)

Quanscient n'attend pas que les ordinateurs quantiques tolérants aux fautes voient le jour. L'entreprise a construit ce qu'elle décrit comme la première plateforme CAE au monde conçue dès le départ pour intégrer des solveurs quantiques une fois le matériel arrivé à maturité. Et elle a déjà fait passer ces algorithmes quantiques du papier au silicium supraconducteur .
La démonstration QLBM de mars 2025 sur le système VTT de 50 qubits constitue une validation concrète et publique de cette approche quantique, bien au-delà de la modélisation théorique . La feuille de route de l'entreprise cible un premier projet pilote de produit quantique natif, avec la promesse à long terme de résoudre des problèmes multiphysiques couplés actuellement insolubles sur du matériel classique en raison d'une complexité à croissance exponentielle .

Où la technologie est-elle appliquée ?

La combinaison d'une échelle cloud illimitée, d'une modélisation par IA de substitution et d'une feuille de route quantique crédible rend la plateforme pertinente pour toutes les industries où les performances du matériel sont freinées par la vitesse et la fidélité de la simulation.

• Automobile : Des capteurs RF et LiDAR à la gestion thermique complète d'un groupe motopropulseur électrique, MultiphysicsAI révèle tout l'espace de conception sous des contraintes concurrentes de fabrication, de performance et de coût. Les ingénieurs peuvent voir tous les compromis optimaux, pas seulement le premier résultat d'une simulation ponctuelle .
• Aérospatiale : Les problèmes de couplage aérothermique, structurel et électromagnétique sont trop volumineux pour les solveurs de bureau. Allsolve, dans sa version cloud-native, les traite avec des physiques fortement couplées à grande échelle, tandis que les modèles d'IA permettent des itérations de conception rapides .
• Énergie : La modélisation multiphysique haute-fidélité est cruciale pour la fiabilité de l'électronique de puissance, la simulation d'emballement thermique des batteries et la conception de systèmes d'énergie renouvelable. Le SDK Python permet des balayages de paramètres automatisés sur des milliers de points de conception .
• MEMS et Semi-conducteurs : La modélisation complète des couplages piézoélectriques, électrostatiques, acoustiques et d'ondes élastiques, à l'échelle de la production et sans simplification, est l'un des domaines d'application les plus actifs de la plateforme .

La proposition de valeur unificatrice dans tous ces secteurs est le passage de l'évaluation d'une seule conception à la fois sur du matériel local, à l'exploration de tout l'espace de conception réalisable dans le cloud. L'IA fournit des prédictions instantanées et les algorithmes quantiques ouvrent une voie éprouvée, bien qu'encore précoce, vers des accélérations exponentielles à mesure que le matériel mûrit.