⚛️ quantum physics

A Scalable Approach to Solve the Carleman Linearized Burgers' Equation on a Quantum Computer

Diese Arbeit präsentiert eine skalierbare Quantenmethodik zur Lösung der Carleman-linearisierten Burgers-Gleichung durch die Kombination einer linearen Kombination von Nicht-Unitären für das State-Loading, eines Multigrid-Variational-Quantum-Linear-Solvers zur Überwindung von Barren Plateaus sowie erfolgreicher Demonstrationen auf realer und simulierter Hardware, die Schaltkreise unterstützen, welche bis zu $2^{80}$ Diskretisierungspunkte repräsentieren.

Ursprüngliche Autoren: Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

Veröffentlicht 2026-07-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, vorherzusagen, wie ein Tropfen Tinte in einem Glas Wasser wirbelt und sich vermischt. Das Problem? Der Roboter ist darauf programmiert, strikten, geradlinigen Regeln zu folgen (er ist eine „lineare“ Maschine), aber wirbelnde Tinte folgt chaotischen, kurvigen, unvorhersehbaren Regeln (sie ist „nichtlinear“). Es ist, als würde man versuchen, einem Hund das Integralrechnen beizubringen, indem man ihm nur zeigt, wie man einen Stock holt.

Das ist die große Hürde, der Wissenschaftler gegenüberstehen, wenn sie versuchen, Quantencomputer zur Simulation von Fluiddynamik einzusetzen. Doch in dieser Studie fanden Forscher des U.S. Naval Research Laboratory und von BlueQubit Inc. einen cleveren Umweg, um den Roboter das Wirbeln verstehen zu zu lassen. Sie haben nicht versucht, den Roboter die chaotische Mathematik direkt ausführen zu lassen; stattdessen nutzten sie einen Trick namens Carleman-Linearisierung.

Man kann sich diesen Trick wie die Übersetzung einer komplexen, chaotischen Geschichte in eine riesige, langweilige Tabellenkalkulation vorstellen. Durch die Erweiterung der Geschichte verwandelten sie die chaotischen, kurvigen Gleichungen der Burgers-Gleichung (ein berühmtes Modell für Fluidströmungen) in ein massives, geradliniges System von Gleichungen. Soblich das Problem auf der Tabelle stand, konnten sie bestehende Quantenwerkzeuge nutzen, die für gerade Linien entwickelt wurden.

Das „Lade“-Problem und der magische Schlüssel
Die erste Herausforderung bestand darin, diese riesige Tabelle auf den Quantencomputer zu laden. Normalerweise dauert das Laden einer gewaltigen Menge an Daten ewig, so als würde man versuchen, eine ganze Bibliothek in einer Sekunde auf ein Telefon hochzuladen. Das Team nutzte eine neue Methode namens Linear Combination of Non-Unitaries (LCNU).

Stellen Sie sich vor, Sie haben eine verschlossene Box (die Daten) und einen Satz Schlüssel. Alte Methoden versuchten, einen Generalschlüssel aus einer Million winziger Teile zu fertigen, was langsam und ungeschickt war. Die neue LCNU-Methode ist wie das Besitzen einiger spezieller, leicht seltsamer Schlüssel (Nicht-Unitaries), die mit nur einem zusätzlichen Helfer (einem extra Qubit) leicht in perfekte Schlüssel verwandelt werden können. Dies ermöglichte es ihnen, die Daten effizient zu laden, unabhängig davon, wie groß das Gitter der Fluidpunkte wurde.

Die „Barren Plateau“-Falle und der Warmstart
Nachdem die Daten geladen waren, mussten sie die Gleichungen mit einer Methode namens Variational Quantum Linear Solver (VQLS) lösen. Aber hier ist der Haken: Wenn man einfach mit zufälligen Vermutungen beginnt, verliert sich der Computer in einer riesigen, flachen Wüste, einem sogenannten „Barren Plateau“. Es ist, als würde man versuchen, im Dunkeln den Boden einer riesigen, flachen Schüssel zu finden; man kann meilenweit laufen und nie wissen, ob man sich der Lösung nähert.

Um dies zu beheben, nutzte das Team eine Multigrid-Strategie. Anstatt mit dem vollen, hochauflösenden Puzzle zu beginnen, starteten sie mit einer winzigen, unscharfen Version (einem groben Gitter). Sie lösten diese, nutzten dann dieses Ergebnis als „Warmstart“ (einen hilfreichen Hinweis), um eine etwas größere Version zu lösen, und dann eine noch größere. Es ist wie beim Fahrradfahren lernen: Man beginnt mit Stützrädern, dann ein kleines Fahrrad, dann ein großes. Als sie die volle Auflösung erreichten, war der Computer nicht mehr in der Wüste verloren; er war bereits auf dem richtigen Weg.

Die Ergebnisse: Simulationen und echte Hardware
Das Team testete diesen Workflow auf zwei Arten:

Simulationen: Sie ließen den gesamten Prozess auf einem leistungsstarken Computersimulator laufen. Sie fanden heraus, dass die „Warmstart“-Multigrid-Methode ein Gamechanger war. Ein naiver, zufälliger Start erreichte nur eine Genauigkeit von etwa 1 % (Konvergenz gegen $10^{-2}$ ), aber die Multigrid-Methode brachte sie auf eine Genauigkeit von 0,1 % ( $10^{-3}$ ). Die Fluidwellen verschwanden nicht einfach; sie bewegten und verhielten sich wie echtes Wasser.
Echte Hardware: Sie ließen dann eine kleinere Version des Problems auf echten Quantencomputern von IBM (speziell den Heron r3 und Nighthawk Prozessoren) laufen. Selbst angesichts der verrauschten, fehleranfälligen Natur heutiger Maschinen gelang es ihnen, eine Lösung zu finden. Sie nutzten eine intelligente Art, ihre „Shots“ (die Anzahl der Experimentdurchläufe) zu verteilen, sodass die wichtigsten Teile der Mathematik mehr Aufmerksamkeit erhielten. Die Ergebnisse zeigten, dass die Methode trotz der Fehler der Maschinen funktionierte, wobei der ibm_boston Prozessor am besten abschnitt.

Ein Blick in die Zukunft: Ist die Zukunft vielversprechend?
Die Forscher hörten nicht bei den aktuellen Ergebnissen auf; sie führten eine „Ressourcenschätzung“ durch, um zu sehen, ob dies in Zukunft auch für riesige, reale Probleme funktionieren könnte. Sie berechneten die Zahlen für Quantencomputer mit bis zu $2^{40}$ (etwa 1024) kombinierten räumlichen und zeitlichen Punkten.

Ihre Berechnungen deuten darauf hin, dass dieser Ansatz mit zukünftiger, weniger verrauschter und schnellerer Hardware tatsächlich schneller als klassische Supercomputer für diese Arten von Problemen laufen könnte. Sie schätzen, dass es auf zukünftigen IBM-Prozessoren nur etwa $10^2$ Stunden (einige Tage) dauern könnte, um den Punkt des „Quantenvorteils“ zu erreichen, an dem der Quantencomputer die besten klassischen Methoden schlägt.

Dennoch weist das Paper vorsichtig darauf hin, dass dies ein Proof of Concept und ein Vorschlag für die Zukunft ist, kein fertiges Produkt. Es gibt noch große Hürden:

Rauschen: Heutige Quantencomputer sind noch zu verrauscht für die größten Probleme.
Trunkierung: Sie verwendeten eine minimale „Trunkierungsordnung“ von $\alpha = 2$ . Obwohl dies für ihren Test funktionierte, benötigen komplexere, turbulente Strömungen eine höhere Ordnung, was das System exponentiell größer und schwieriger lösbar machen würde.
Konditionierung: Die Mathematik hinter den Kulissen kann „schlecht konditioniert“ sein, was bedeutet, dass winzige Fehler zu riesigen Fehlern anschwellen können, was spezielle „Präkonditionierungstechniken“ erfordert, die noch in der Entwicklung sind.

Kurz gesagt: Das Team hat einen funktionierenden Prototypen einer Brücke zwischen der chaotischen Welt der Fluide und der geradlinigen Welt der Quantencomputer gebaut. Sie haben gezeigt, dass es möglich ist, den Fluss zu überqueren, aber die Brücke befindet sich noch im Bau, und sie benötigen bessere Materialien (weniger verrauschte Hardware), um den schweren Verkehr echter Stürme zu bewältigen.

Technische Zusammenfassung: Ein skalierbarer Ansatz zur Lösung der Carleman-linearisierten Burgers-Gleichung auf einem Quantencomputer

Problemstellung
Die Simulation der Fluiddynamik auf Quantencomputern stellt eine fundamentale Herausforderung dar: Quantencomputer sind von Natur aus lineare Maschinen, während die Fluiddynamik durch nichtlineare partielle Differentialgleichungen (PDEs), wie etwa die Burgers-Gleichung, bestimmt wird. Um diese Lücke zu schließen, wird die Methode der Carleman-Linearisierung eingesetzt, um endlich dimensionale nichtlineare gewöhnliche Differentialgleichungen (ODEs) in unendlich dimensionale lineare ODEs zu transformieren, welche anschließend zu endlichen linearen Systemen abgeschnitten werden. Das Lösen dieser Systeme auf Quantenhardware steht jedoch vor zwei primären Hindernissen:

Effizienz der Dateneinladung (Data Loading): Die Matrizen der resultierenden linearen Systeme skalieren exponentiell mit der Anzahl der räumlichen und zeitlichen Diskretisierungspunkte. Das effiziente Laden dieser Matrizen auf Quantenhardware unter Verwendung nur polylogarithmischer klassischer Ressourcen ist nicht trivial, insbesondere wenn Standardansätze der Linearen Kombination von Unitären (Linear Combination of Unitaries, LCU) eine schlechte Skalierung aufweisen.
Optimierungshürden: Variational Quantum Linear Solvers (VQLS), die in der Lage sind, große Systeme zu handhaben, sind anfällig für das Phänomen der „Barren Plateaus“, bei dem die gradientenbasierte Optimierung aufgrund exponentiell großer Suchräume und zufälliger Initialisierung nicht konvergiert.

Methodik
Die Autoren schlagen einen umfassenden Workflow vor, um diese Herausforderungen zu adressieren, der an der 1D-Burgers-Gleichung mit periodischen Randbedingungen demonstriert wird.

Linearisierung und Zero-Padding: Die Burgers-Gleichung wird diskretisiert und mittels Carleman-Linearisierung in ein lineares System $L\vec{Y} = \vec{B}$ transformiert. Um eine effiziente Zerlegung zu ermöglichen, verwenden die Autoren eine Zero-Padding-Strategie, die das System in einen größeren dimensionalen Raum einbettet. Dies ermöglicht es, die Matrix in eine Lineare Kombination spezifischer nicht-unitarer Matrizen zu zerlegen, die mit minimalem Overhead trivial in unitäre Matrizen kodiert werden können.
Effiziente Dateneinladung (LCNU): Anstelle des Standard-LCU-Ansatzes nutzt die Studie die Lineare Kombination von Nicht-Unitären (Linear Combination of Non-Unitaries, LCNU). Die Autoren leiten eine Zerlegung für die Carleman-linearisierte Matrix ab, bei der die Anzahl der Terme unabhängig von den räumlichen und zeitlichen Diskretisierungspunkten ist. Konkret wird die Matrix in $N_s = \frac{1}{2}(9\alpha^2 + \alpha + 8)$ Terme zerlegt, wobei $\alpha$ die Abschneideordnung (Truncation Order) ist. Diese Zerlegung basiert auf Inkrementer-/Dekrementer-Schaltkreisen und spezifischen Pauli-Operatorstrukturen, wodurch sichergestellt wird, dass die Dateneinladestrategie polylogarithmisch skaliert.
Variationaler Solver mit Multigrid-Verfahren: Das lineare System wird unter Verwendung des Variational Quantum Linear Solvers (VQLS) gelöst. Um das Barren-Plateau-Problem zu mildern, wird eine Multigrid-Strategie eingeführt. Das Problem wird in einer Serie von Stufen gelöst, beginnend mit groben räumlichen und zeitlichen Diskretisierungen. Die Lösung (die variablen Parameter) aus einer gröberen Stufe dient als „Warm Start“ für die nächste feinere Stufe. Diese systematische Initialisierung verbessert die Konvergenzraten im Vergleich zu einer naiven Zufallsinitalisierung signifikant.
Shot-Allokation: Es wurde eine effiziente Shot-Allokationsmethode entwickelt, um eine feste Gesamtzahl an Shots unter den verschiedenen Schaltkreisen zu verteilen, die für die Auswertung der Kostenfunktion erforderlich sind. Durch Minimierung der Varianz der Kostenfunktion werden mehr Shots den Termen mit größeren Koeffizienten zugewiesen, was die Genauigkeit für die signifikantesten Beiträge optimiert.

Wesentliche Beiträge
Das Paper skizziert fünf primäre Beiträge:

Verbesserte Dateneinladung: Eine Strategie für die 1D-Carleman-linearisierte Burgers-Gleichung, bei der die Anzahl der Terme in der LCNU-Zerlegung unabhängig von der Diskretisierungsgittergröße ist.
Multigrid-Strategie: Ein räumlicher und zeitlicher Multigrid-Ansatz für das Carleman-linearisierte System, der systematische Warm Starts bietet, um Barren Plateaus zu vermeiden.
Shot-Allokation: Eine Methode zur Verteilung von Shots basierend auf Koeffizientenmagnituden, um die Genauigkeit für ein festes Rechenbudget zu maximieren.
Proof of Concept: Demonstration des Workflows sowohl auf Quantensimulatoren als auch auf realer Quantenhardware (IBM Heron r3 und Nighthawk Prozessoren).
Ressourcenschätzung: Eine Machbarkeitsstudie zur Transpilierung von Schaltkreisen bis zu $2^{40}$ kombinierten räumlichen und zeitlichen Punkten, was darauf hindeutet, dass die Methodik effizient skaliert.

Ergebnisse

Simulation: Auf einem Quantensimulator konvergierte der Multigrid-Ansatz die Kostenfunktion auf etwa $10^{-3}$ , während ein naiver Ansatz mit Zufallsinitalisierung nur $10^{-2}$ erreichte. Die Multigrid-Lösung erfasste erfolgreich die wesentliche Physik (Wellenabbremsung und nichtlineare Advektion), während die naive Lösung eine übermäßige Dämpfung aufwies und den nichtlinearen Transport nicht korrekt abbilden konnte.
Reale Hardware: Der Workflow wurde auf IBM-Quantenprozessoren (ibm_pittsburgh, ibm_boston, ibm_miami) für eine einzige Optimierungsiteration eines Multigrid-Stadiums ( $2^3$ $2^{3}$ räumliche, $2^2$ $2^{2}$ zeitliche Punkte) ausgeführt.
- Der Nighthawk-Prozessor (Square-Lattice) lieferte geringere Schaltungstiefen für die Embedding-Schaltkreise als der Heron r3 (Heavy-Hex-Lattice).
- Die Verwendung des Estimator-Primitives mit Fehlerminimierung (Resilience Level 2) auf ibm_boston reduzierte den 2-Norm-Fehler der Kostenfunktionsvariablen auf 0,27, verglichen mit Fehlern zwischen 1,33 und 2,92 bei ungeminderten Sampler-Läufen.
- Die Studie bestätigte, dass trotz der aktuellen Rauschpegel genaue Lösungen für kleine Instanzen erzielbar sind.
Skalierbarkeit: Ressourcenschätzungen legen nahe, dass die vorgeschlagene Methode bei zukünftigen Verbesserungen der Kohärenzzeiten und Gate-Fidelitäten einen Quantenvorteil für Probleme mit exponentiell großen Diskretisierungspunkten (z. B. $2^{4 0}$ Punkte) erreichen könnte, wobei etwa $O(10^2)$ Qubits und Ausführungszeiten im Bereich von $O(10^2)$ Stunden auf dedizierten Systemen benötigt würden.

Bedeutung und Ansprüche
Das Paper behauptet, einen machbaren Workflow zur Lösung nichtlinearer PDEs auf Quantencomputern zu präsentieren, der innerhalb der aktuellen Rechengrenzen gut funktioniert. Die Autoren betonen, dass ihre Methodik einen Weg zur Skalierung auf eine exponentielle Anzahl von räumlichen und zeitlichen Diskretisierungspunkten aufzeigt, sofern sich die Hardware-Dekohärenzzeiten verbessern.

Die Autoren wahren einen bescheidenen Ton hinsichtlich zukünftiger Implikationen und führen explizit mehrere Einschränkungen an:

Die aktuelle Abschneideordnung ( $\alpha=2$ ) ist das Minimum; höhere Ordnungen, die für komplexe Strömungen (Turbulenzen) erforderlich sind, könnten zu einer Divergenz der Fehlerraten oder einem exponentiellen Wachstum der Systemgröße führen.
Die schlechte Konditionierung der Carleman-linearisierten Matrix für große Systeme wird voraussichtlich ein Quanten-Preconditioning erfordern, was ein laufendes Forschungsgebiet ist.
Die Wirksamkeit der Multigrid-Methode auf exponentiell großen Systemen konnte aufgrund der aktuellen Hardware-Rauschbeschränkungen noch nicht empirisch nachgewiesen werden.
Die Zustandspräparation für Anfangsbedingungen und das effiziente Auslesen der finalen Lösung bleiben signifikante Herausforderungen.

Letztlich dient die Arbeit als Proof-of-Concept, der effiziente Dateneinladung, variationale Optimierungsstrategien und Fehlerminimierung kombiniert, um ein nichtlineares Fluiddynamik-Problem zu lösen, und legt nahe, dass ein Quantenvorteil theoretisch möglich ist, sobald die Hardware-Beschränkungen gelindert werden.

Technische Zusammenfassung: Ein skalierbarer Ansatz zur Lösung der Carleman-linearisierten Burgers-Gleichung auf einem Quantencomputer

Mehr davon