The Landscape of the Quantum Start-up Ecosystem
Notice bibliographique
Résumé
The second quantum revolution has been producing groundbreaking scientific and technological outputs since the early 2000s; however, the scientific literature on the impact of this revolution on the industry, specifically on start-ups, is limited. In this paper, we present a landscaping study with a gathered dataset of 441 companies from 42 countries that we identify as quantum start-ups, meaning that they mainly focus on quantum technologies (QT) as their primary priority business. We answer the following questions: (1) What are the temporal and geographical distributions of the quantum start-ups? (2) How can we categorize them, and how are these categories populated? (3) Are there any patterns that we can derive from empirical data on trends? We found that more than 92% of these companies have been founded within the last 10 years, and more than 50% of them are located in the US, the UK, and Canada. We categorized the QT start-ups into six fields: (i) complementary technologies, (ii) quantum computing (hardware), (iii) quantum computing (software/application/simulation), (iv) quantum cryptography/communication, (v) quantum sensing and metrology, and (vi) supporting companies, and analyzed the population of each field both for countries, and temporally. Finally, we argue that low levels of quantum start-up activity in a country might be an indicator of a national initiative to be adopted afterwards, which later sees both an increase in the number of start-ups, and a diversification of activity in different QT fields.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».