Pendanaan Quanscient €5.2M: Bagaimana Cloud, AI, dan Quantum Membangun Ulang Simulasi Multifisika

Sasaran Pendanaan Pertumbuhan €5,2 Juta

Modal segar ini diarahkan untuk tiga tujuan spesifik, semuanya berfokus pada menarik simulasi rekayasa dari batasan desktop warisan menuju infrastruktur cloud dan kuantum yang skalabel serta terintegrasi AI .

1. Pengembangan produk untuk platform Allsolve
Dana ini mendukung pengembangan berkelanjutan Quanscient Allsolve, sebuah solver multifisika berbasis layanan software-as-a-service (SaaS) cloud-native yang berjalan di komputasi cloud tanpa batas melalui layanan seperti AWS Batch . Tidak seperti perangkat lunak tradisional yang memerlukan modul terpisah untuk berbagai jenis fisika, platform ini sudah mencakup kopling asli untuk fisika fluida, termal, struktural, elektromagnetik, akustik, dan piezoelektrik—menghilangkan langkah integrasi manual dan menembus batasan memori workstation mesin tunggal .

2. Peningkatan skala tim dan komersialisasi pasar
Pendanaan ini mendukung perluasan tim teknis dan komersial Quanscient untuk mendorong adopsi di sektor energi, kedirgantaraan, dan otomotif, di mana penghematan biaya dan waktu dari simulasi multifisika yang lebih cepat sangatlah krusial .

3. Penelitian dan validasi algoritma kuantum
Sebagian modal dialokasikan untuk pengembangan solver berbasis kuantum. Ini bukanlah sekadar rencana spekulatif—pada Maret 2025, Quanscient mendemonstrasikan simulasi computational fluid dynamics (CFD) multi-langkah-waktu pertama di dunia menggunakan Metode Quantum Lattice Boltzmann (QLBM), yang dijalankan di komputer kuantum superkonduktor 50-qubit pertama di Eropa . Tujuan perusahaan adalah agar algoritma kuantum-native ini pada akhirnya memberikan keunggulan kecepatan hingga 100× lipat dibanding solusi CAE tradisional .

Dua Jalur Paralel untuk Memperbaiki Simulasi Multifisika

Pendekatan Quanscient dalam mengatasi kelemahan perangkat lunak CAE tradisional terbagi menjadi jalur cloud dan AI yang siap produksi untuk saat ini, serta jalur kuantum jangka panjang yang kini telah melewati tahap riset murni.

Jalur Pertama: Simulasi Cloud-Native dengan Dukungan AI (tersedia sekarang)

Multifisika yang Sangat Terkopel dalam Skala Cloud
Allsolve berjalan di komputasi cloud tanpa batas, menskalakan model dengan ratusan juta derajat kebebasan dalam hitungan menit, bukan berhari-hari atau berminggu-minggu di workstation lokal . Metode dekomposisi domain platform ini mendistribusikan tugas besar ke node cloud secara efisien, menghilangkan kebutuhan untuk menyederhanakan model agar sesuai dengan memori lokal .

MultiphysicsAI untuk Eksplorasi Ruang Desain Instan
Pada akhir 2025, Quanscient meluncurkan MultiphysicsAI, sebuah mesin keputusan yang mengubah data simulasi berketepatan tinggi menjadi model AI pengganti (surrogate model) berbasis fisika . Setelah dilatih menggunakan kumpulan data eksklusif yang dihasilkan oleh Allsolve, model AI ini mampu memprediksi hasil performa dalam hitungan milidetik. Insinyur dapat menjelajahi ribuan kandidat desain yang layak dan kurva kompromi (trade-off, misalnya antara bobot, performa termal, dan biaya) dalam hitungan detik, alih-alih menjalankan satu simulasi lalu menebak opsi terbaik berikutnya .

Asistensi AI Generatif dan Prediktif
Platform ini mencakup asisten simulasi bertenaga AI generatif yang dapat menjawab pertanyaan pengguna berdasarkan referensi dokumentasi, serta detektor anomali yang menandai kemungkinan kesalahan manusia dalam pengaturan simulasi sebelum pekerjaan komputasi yang panjang dan sia-sia dijalankan . Di sisi solver, AI prediktif sedang diintegrasikan untuk mempercepat konvergensi secara langsung .

Python SDK untuk Alur Kerja ML yang Skalabel
Sebuah kit pengembangan perangkat lunak (SDK) berbasis Python memungkinkan tim rekayasa untuk mengekstrak data simulasi mentah secara terprogram dalam skala besar, membangun dataset pelatihan khusus, dan melatih model AI pengganti berketepatan tinggi. Ini dirancang untuk optimalisasi hasil produksi (yield) otomatis dan integrasi ke dalam tumpukan perangkat lunak rekayasa yang ada, termasuk agen berbasis bahasa alami yang dapat menjalankan simulasi hanya dari perintah teks .

Jalur Kedua: Algoritma Quantum-Native (Fase Awal namun Tervalidasi)

Quanscient tidak menunggu hingga komputer kuantum yang toleran terhadap kesalahan (fault-tolerant) tersedia. Mereka telah membangun apa yang mereka sebut sebagai platform CAE pertama di dunia yang sejak awal dirancang untuk mengintegrasikan solver kuantum ketika perangkat kerasnya telah matang, dan mereka telah memindahkan algoritma kuantum dari kertas ke perangkat keras superkonduktor nyata .

Demonstrasi QLBM pada Maret 2025 di sistem VTT 50-qubit ini merupakan validasi publik yang konkret atas pendekatan kuantum ini, bukan sekadar pemodelan teoretis . Peta jalan perusahaan menargetkan uji coba produk kuantum-native pertama, dengan janji jangka panjang untuk memecahkan masalah multifisika yang sangat terkopel yang saat ini tidak dapat diselesaikan oleh perangkat keras klasik karena kompleksitas penskalaan eksponensialnya .

Di Mana Teknologi Ini Diterapkan

Kombinasi skalabilitas cloud tanpa batas, pemodelan AI pengganti, dan peta jalan kuantum yang kredibel membuat platform ini relevan di berbagai industri di mana performa perangkat keras dibatasi oleh kecepatan dan ketepatan simulasi.

• Otomotif: Dari sensor RF dan LiDAR hingga manajemen termal powertrain listrik secara menyeluruh, MultiphysicsAI memetakan seluruh ruang desain di bawah batasan produksi, performa, dan biaya yang saling bersaing, sehingga para insinyur dapat melihat semua kompromi optimal, bukan hanya hasil pertama dari satu simulasi titik .
• Kedirgantaraan: Masalah aerotermal, struktural, dan kopling elektromagnetik terlalu besar untuk solver desktop. Allsolve berbasis cloud menangani masalah ini dengan fisika yang sangat terkopel pada skala besar, sementara model AI menyediakan iterasi desain yang cepat .
• Energi: Pemodelan multifisika berketepatan tinggi sangat penting untuk keandalan perangkat elektronika daya (power electronics), analisis fenomena thermal runaway baterai, dan desain sistem energi terbarukan. Python SDK memungkinkan sweep parameter otomatis di ribuan titik desain .
• MEMS dan Semikonduktor: Pemodelan kopling piezoelektrik, elektrostatik, akustik, dan gelombang elastis yang komprehensif, dilakukan dalam skala produksi tanpa penyederhanaan, merupakan salah satu area aplikasi dengan lalu lintas tertinggi di platform ini .

Proposisi nilai pemersatu di seluruh sektor ini adalah pergeseran dari mengevaluasi satu per satu desain di perangkat keras lokal menjadi menjelajahi seluruh ruang desain yang layak di cloud, di mana AI memberikan prediksi instan dan algoritma kuantum menawarkan jalur yang telah terbukti—meskipun masih awal—menuju percepatan eksponensial seiring matangnya perangkat keras kuantum.