⚛️ quantum physics

Quantum lattice Boltzmann method for several time steps: A local Carleman linearization algorithm

Este artículo presenta un nuevo algoritmo de linealización de Carleman para el método de red de Boltzmann cuántico que permite reglas de colisión locales y una probabilidad de éxito de aproximadamente $10^{-2}$ , con una complejidad temporal escalable de $O(\log_2^2(N)+Q^3)$ por paso de tiempo.

Autores originales: Antonio David Bastida Zamora, Ljubomir Budinski, Valtteri Lahtinen, Pierre Sagaut

Publicado 2026-03-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Antonio David Bastida Zamora, Ljubomir Budinski, Valtteri Lahtinen, Pierre Sagaut

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como un manual de instrucciones para construir un supercoche de carreras cuántico capaz de resolver problemas de fluidos (como el agua o el aire) que hoy en día son demasiado difíciles para las computadoras normales.

Aquí tienes la explicación, traducida a un lenguaje sencillo y con analogías divertidas:

1. El Problema: El Tráfico Infinito

Imagina que quieres simular cómo se mueve el viento alrededor de un avión o cómo fluye la sangre en una arteria. Para hacerlo con precisión, necesitas dividir el espacio en millones de cuadritos (como un tablero de ajedrez gigante) y calcular qué pasa en cada uno de ellos en cada segundo.

La computación clásica: Es como tener un equipo de 100.000 calculadoras trabajando una por una. Aunque son rápidas, si quieres simular una ciudad entera con todos sus detalles, tardarían años. Es como intentar llenar una piscina con una cuchara de té.
La computación cuántica: Es como tener un equipo de magos que pueden estar en varios lugares a la vez (gracias a la "superposición"). Podrían llenar la piscina en un segundo. Pero, hasta ahora, estos magos tenían un problema: sus trucos eran muy complicados y fallaban mucho.

2. La Solución Antigua: El "Traductor" Roto

Los científicos intentaron antes usar una técnica llamada Linealización de Carleman. Imagina que el movimiento del fluido es una canción compleja y ruidosa (no lineal). Para que la computadora cuántica la entienda, necesitan traducirla a una canción simple y recta (lineal).

El problema anterior: En los intentos anteriores, este "traductor" era muy torpe.
1. No era local: Para calcular un cuadrito, el traductor tenía que mirar todos los demás cuadritos de la ciudad al mismo tiempo. Era como si para saber si hay tráfico en tu calle, tu GPS tuviera que llamar a todos los conductores del mundo. Esto hacía que el proceso fuera extremadamente lento y pesado.
2. Baja probabilidad de éxito: El traductor fallaba tanto que, al final, solo obtenías la respuesta correcta 1 vez de cada 100.000 intentos. ¡Imagina lanzar una moneda y tener que acertar "cara" 100.000 veces seguidas para ganar!

3. La Nueva Invención: El "Vecino Amable"

Este artículo presenta una nueva forma de codificar la información (un nuevo "idioma" para los magos cuánticos) que arregla esos dos problemas.

Analogía del Vecino Amable

En lugar de que el traductor tenga que mirar a toda la ciudad, ahora cada cuadrito solo necesita hablar con sus vecinos inmediatos.

Localidad: Imagina que en lugar de llamar a todo el mundo, solo tienes que tocar la puerta de tu casa y la de tu vecino para saber qué pasa en el barrio. Esto hace que el cálculo sea muchísimo más rápido y eficiente.
Éxito garantizado (casi): Con este nuevo método, la probabilidad de obtener la respuesta correcta sube drásticamente. Ahora, en lugar de acertar 1 vez de cada 100.000, aciertas 1 vez de cada 100. ¡Es como pasar de ganar la lotería a ganar un premio en un juego de feria!

4. ¿Cómo funciona el truco? (La Metáfora del Baile)

El algoritmo tiene dos pasos principales que se repiten una y otra vez:

Colisión (El Baile): Las partículas (los cuadritos) chocan entre sí y cambian de dirección. En la versión antigua, para hacer esto, tenían que reorganizar todo el salón de baile de forma caótica. En la nueva versión, el baile es ordenado; cada pareja solo interactúa con quien tiene al lado.
Propagación (El Desplazamiento): Después del choque, las partículas se mueven a su casa vecina. La nueva codificación asegura que este movimiento sea suave y no rompa la estructura de la computadora cuántica.

5. Los Resultados: ¿Funciona de verdad?

Los autores probaron su nuevo algoritmo en una computadora cuántica simulada (un "simulacro" de computadora cuántica).

Prueba: Simularon un remolino de agua (un vórtice de Taylor-Green).
Resultado: ¡Funcionó! Los resultados coincidían casi perfectamente con las computadoras clásicas, pero usando la magia cuántica.
El detalle importante: Aunque es mucho mejor que antes, todavía no es perfecto. A veces, al medir el resultado, la computadora cuántica se equivoca un poco (como si el mago se tropezara una vez en cada 100 veces). Pero es lo suficientemente bueno para decir: "¡Sí, es posible hacer esto!".

En Resumen

Este papel es como un manual de instrucciones para un nuevo motor.

Antes: El motor era lento, consumía mucha gasolina y fallaba casi siempre.
Ahora: El motor es más rápido, eficiente y funciona la mayoría de las veces.

Aunque todavía no podemos simular el clima de todo el planeta en un segundo, este avance es un paso gigante hacia el día en que las computadoras cuánticas nos ayuden a diseñar aviones más eficientes, medicamentos mejores o entender el cambio climático de una manera que hoy es imposible.

La moraleja: Han encontrado la forma de hacer que los "magos cuánticos" trabajen en equipo de forma organizada (local) en lugar de caótica, logrando que sus trucos funcionen mucho más a menudo.

1. El Problema

El Método de Lattice Boltzmann (LBM) es una herramienta fundamental en la dinámica de fluidos computacional (CFD) para simular ecuaciones de Navier-Stokes. Sin embargo, las simulaciones a gran escala necesarias para aplicaciones de ingeniería detallada (como en aeroespacial o automoción) requieren un número enorme de sitios de red (lattice sites), lo que resulta prohibitivo para los ordenadores clásicos.

Los intentos previos de desarrollar algoritmos cuánticos para LBM (QLBM) utilizando linealización de Carleman (CL) para manejar la no linealidad de las ecuaciones enfrentaron dos obstáculos críticos:

No localidad: Los algoritmos anteriores (como el de Sanavio et al.) requerían operadores de colisión no locales, lo que provocaba que la profundidad del circuito cuántico escalara exponencialmente con el número de sitios de red ( $O(N^4Q^4)$ ), anulando cualquier ventaja cuántica.
Baja probabilidad de éxito: Métodos alternativos que lograban escalar mejor la profundidad (usando oráculos de acceso a matrices) reducían drásticamente la probabilidad de medir el resultado correcto en cada paso de tiempo (del orden de $10^{-6}$ ), haciendo que la aplicación práctica fuera inviable debido a la necesidad de un número excesivo de disparos (shots).

2. Metodología

Los autores proponen un nuevo esquema de codificación para el QLBM basado en la linealización de Carleman de segundo orden, diseñado específicamente para mantener la localidad de las reglas de colisión y mejorar la probabilidad de éxito.

Linealización de Carleman (CL): Transforman el sistema de ecuaciones diferenciales parciales no lineales en un sistema infinito de ecuaciones lineales. En la práctica, truncaron el sistema a segundo orden, introduciendo variables dinámicas para los productos de las funciones de distribución ( $f_i$ y $g_{ij} = f_i f_j$ ).
Nueva Codificación Local:
- Utilizan cinco registros cuánticos: dos para las posiciones de la red ( $p_1, p_2$ ), dos para los canales de velocidad ( $c_1, c_2$ ) y uno para el orden de Carleman ( $\tau$ ).
- Innovación clave: Modifican la codificación de las variables de segundo orden ( $g$ ) para que el registro de la segunda posición ( $p_2$ ) sea constante (o dependa trivialmente) durante la operación de colisión. Específicamente, codifican $g(x_1, x_2)$ como $g(x_1, x_2 - x_1)$ , almacenando los términos diagonales ( $x_1 = x_2$ ) en un estado donde el segundo registro es cero.
- Esto permite que el operador de colisión actúe de manera local sobre los registros de canales sin necesidad de aplicar múltiples puertas CNOT controladas por la posición de la red, eliminando la no localidad.
Implementación del Operador:
- Dado que el operador de colisión no es unitario, utilizan una Combinación Lineal de Unitarios (LCU) junto con una descomposición en valores singulares (SVD) para embeber el operador en un sistema más grande que incluya un qubit ancilla.
- El algoritmo incluye pasos de preparación de estado, permutación de términos (para ajustar la codificación de $g$ ), colisión, propagación y medición.

3. Contribuciones Clave

Localidad del Operador de Colisión: La principal contribución es la demostración de que es posible realizar la colisión en QLBM de forma local. Esto evita que la complejidad del circuito dependa de la topología global de la red de manera no estructurada.
Mejora en la Probabilidad de Éxito: El nuevo esquema logra una probabilidad de medir el resultado correcto del orden de $10^{-2}$ por paso de tiempo, una mejora significativa respecto a los $10^{-6}$ de métodos anteriores basados en oráculos.
Escalabilidad Computacional:
- La complejidad por paso de tiempo escala como $O(\log^2_2(N) + Q^3)$ , donde $N$ es el número de sitios de la red y $Q$ el número de canales.
- Esto representa una mejora drástica frente a la escala $O(N^4Q^4)$ de los métodos no locales anteriores.
- El número de qubits necesarios escala logarítmicamente con el tamaño de la red ( $O(\log N)$ ), permitiendo manejar redes grandes con un número constante de qubits si se utilizan circuitos dinámicos.

4. Resultados y Validación

Los autores validaron el algoritmo utilizando un simulador cuántico en Qiskit y comparando los resultados con una implementación clásica de matriz:

Precisión: Para sistemas pequeños ( $L_x = 2$ y $L_x = 4$ ), la simulación exacta (sin disparos) mostró errores relativos mínimos, validando la corrección de la codificación.
Ruido de Muestreo: Al usar disparos (shots), se observaron errores mayores en las variables de segundo orden ( $g$ ) debido a su baja probabilidad relativa ($100$ veces menor que $f$ ). Sin embargo, las variables macroscópicas (densidad, suma de $f$ ) mostraron una concordancia excelente con la simulación clásica.
Casos de Prueba: Se simuló un vórtice de Taylor-Green. Los resultados mostraron que el algoritmo linealizado de Carleman reproduce fielmente el campo de velocidad del LBM clásico, aunque con ligeras diferencias debido a la aproximación de flujo débilmente compresible ( $\rho \approx 1$ ) y la truncación de segundo orden.
Limitación: La probabilidad de éxito sigue siendo baja ( $10^{-2}$ ), lo que requiere un gran número de disparos ( $5 \cdot 10^8$ ) para obtener estadísticas precisas, limitando actualmente la viabilidad en hardware real sin corrección de errores.

5. Significado y Conclusión

Este trabajo representa un avance significativo hacia la viabilidad práctica del QLBM para múltiples pasos de tiempo. Al resolver el problema de la no localidad y mejorar la probabilidad de éxito, los autores demuestran que es posible construir algoritmos cuánticos para fluidos que escalen eficientemente con el tamaño del sistema.

Aunque aún existen desafíos relacionados con la no unitariedad del operador de colisión (que limita la probabilidad de éxito y requiere LCU) y la profundidad del circuito para la codificación de operadores densos, el método propuesto sienta las bases para futuras investigaciones que busquen una ventaja cuántica real en simulaciones de dinámica de fluidos a gran escala, especialmente para problemas de bajo número de Reynolds donde la linealización de Carleman converge adecuadamente.