Schrödinger-Navier-Stokes Equation for the Quantum Simulation of Navier-Stokes Flows

Este artículo presenta un nuevo algoritmo cuántico basado en la formulación de Hamilton-Jacobi y la incrustación de Carleman mediante redes tensoriales para simular las ecuaciones de Navier-Stokes, superando los desafíos de disipación de enfoques anteriores y validando su convergencia y precisión en flujos tipo Kolmogorov.

Lo esencial

Imagina que quieres predecir cómo se moverá el agua en un río, cómo se dispersa el humo de una chimenea o cómo fluye el aire alrededor de un avión. En la física clásica, usamos unas ecuaciones muy famosas llamadas Navier-Stokes. Son como las "leyes del tráfico" para los fluidos. Pero tienen un problema: son extremadamente difíciles de resolver, especialmente si quieres hacerlo con una computadora cuántica (esa tecnología del futuro que promete calcular cosas imposibles para las máquinas actuales).

¿Por qué es tan difícil? Porque estas ecuaciones tienen dos "monstruos": la no linealidad (el comportamiento del fluido cambia de forma caótica y compleja) y la disipación (la fricción que hace que el fluido se frene y pierda energía). Las computadoras cuánticas son geniales para cosas lineales y sin fricción, pero odian el caos y la pérdida de energía.

Este artículo de Luca Cappelli y su equipo es como un manual de instrucciones para engañar a los monstruos y hacer que una computadora cuántica pueda simular estos fluidos. Aquí te explico cómo lo hacen, usando analogías sencillas:

1. El Problema: Traducir el "Idioma" del Agua

Imagina que el agua habla un idioma muy rudo y complicado (las ecuaciones de Navier-Stokes). Las computadoras cuánticas solo hablan un idioma muy suave y elegante, parecido a las ondas de sonido o a las partículas cuánticas (ecuaciones tipo Schrödinger).

Antes, los científicos intentaban traducir el agua al lenguaje cuántico, pero la traducción siempre salía mal porque el agua tiene "fricción" (disipación) y "remolinos" (vorticidad), cosas que no existen en el mundo cuántico puro. Era como intentar explicar un choque de coches usando solo la poesía de un jardín zen.

2. La Solución: El "Disfraz" de Hamilton-Jacobi

Los autores dicen: "¡Espera! No intentemos traducir el choque de coches directamente. Vamos a disfrazar el agua".

Usan una técnica llamada transformación inversa de Madelung. Imagina que tomas la ecuación del agua y la reescribes de una forma que parezca una ecuación de onda cuántica, pero con un truco:

• En lugar de tratar la presión y la fricción como fuerzas externas, las convierten en parte de la "melodía" de la onda.
• Usan un campo magnético imaginario para representar los remolinos (vorticidad). Es como si le dijéramos a la onda cuántica: "Si giras, es porque hay un campo magnético invisible empujándote".

Al hacer esto, el problema deja de ser "resolver el caos del agua" y se convierte en "hacer evolucionar una onda cuántica con reglas específicas". ¡De repente, las computadoras cuánticas pueden entenderlo!

3. El Truco Maestro: La "Escalera de Carleman"

Ahora tenemos una ecuación que parece cuántica, pero sigue siendo un poco complicada. Para que una computadora cuántica la resuelva, necesitamos convertirla en una línea recta (linealizarla).

Aquí entran en juego los Carleman embeddings. Imagina que tienes una ecuación cuadrada (como $x^2$). Es difícil de resolver directamente. Pero, ¿y si en lugar de resolver $x$, resolvemos una lista infinita de cosas: $x$, $x^2$, $x^3$, $x^4$...?

• Si haces esto, la ecuación cuadrada se convierte en una ecuación lineal gigante (una línea recta en un espacio de dimensiones infinitas).
• El problema es que esa lista es infinita y no cabe en ninguna memoria.

La estrategia del equipo:

1. Cortar la escalera: Deciden detener la lista en un punto razonable (por ejemplo, hasta $x^4$). Esto es un "aproximación".
2. La Red de Tensores (Tensor Networks): Aquí viene la magia. Si intentas guardar esa lista gigante en la memoria de una computadora, explotaría. Pero ellos usan una técnica llamada Red de Tensores.
   • Analogía: Imagina que quieres guardar una foto de una ciudad entera. En lugar de guardar cada pixel individualmente (lo que ocuparía terabytes), guardas solo las reglas de cómo se conectan los edificios. Si el edificio A está a la izquierda del B, y el B está arriba del C, solo guardas esas conexiones.
   • Gracias a esto, pueden simular fluidos complejos en una computadora clásica (como un portátil) que antes requerirían superordenadores.

4. ¿Qué descubrieron?

Simularon el flujo de fluidos (como el aire alrededor de un ala) y compararon su nuevo método con otros existentes:

• A corto plazo: Si quieres ver el fluido moverse rápido y con precisión, necesitas usar una "escalera" más alta (más términos en la lista). Ellos lograron ir hasta el cuarto nivel con gran precisión.
• A largo plazo: Si dejas pasar mucho tiempo, la escalera alta se vuelve inestable y el error crece. Sorprendentemente, la escalera más baja (solo 2 niveles) es la que mejor predice el comportamiento final del fluido cuando todo se calma.
• El resultado: Su método es tan bueno o mejor que otros métodos clásicos para simular fluidos, pero tiene la ventaja de estar diseñado para funcionar en una computadora cuántica en el futuro.

En Resumen

Este papel es como un puente.

1. Toma el problema difícil de los fluidos reales (agua, aire, humo).
2. Lo transforma en un problema de ondas cuánticas usando un "disfraz" matemático.
3. Usa una técnica inteligente (Redes de Tensores) para comprimir la información y que quepa en una computadora.
4. Demuestra que, aunque no tenemos computadoras cuánticas potentes hoy, podemos usar estas ideas para simular fluidos con mucha precisión y preparar el terreno para cuando esas computadoras lleguen.

Es un paso gigante para que, en el futuro, podamos usar la física cuántica para diseñar aviones más eficientes, predecir el clima con exactitud o entender cómo fluye la sangre en nuestro cuerpo, todo sin necesidad de construir modelos físicos gigantes.

Resumen técnico

Resumen Técnico: Simulación Cuántica de Flujos Navier-Stokes mediante la Ecuación de Schrödinger-Navier-Stokes

1. Planteamiento del Problema

La simulación cuántica de fluidos clásicos enfrenta dos obstáculos fundamentales: la no linealidad y la disipación (viscosidad). Aunque existen formulaciones hidrodinámicas cuánticas (como la de Madelung), estas describen fluidos sin viscosidad ni vorticidad, o requieren representaciones matemáticas complejas (como funciones de onda espinoriales) que presentan inconsistencias en el tratamiento de la disipación.

El problema central abordado en este trabajo es la falta de un algoritmo cuántico viable que simule las ecuaciones de Navier-Stokes (NSE) reales, incluyendo presión, disipación y vorticidad, basándose en una formulación de onda cuántica. Los enfoques anteriores, como la linealización de Carleman aplicada directamente a las NSE o a la formulación de Lattice Boltzmann (CLB), sufren de altas demandas computacionales y dificultades para manejar la no linealidad de la disipación en un entorno cuántico.

2. Metodología

Los autores proponen un enfoque basado en la Ecuación de Schrödinger-Navier-Stokes (SNS), una formulación de onda cuántica análoga que describe fluidos clásicos disipativos. La metodología se divide en tres etapas clave:

• Formulación Hamilton-Jacobi (HJ) y SNS:

  • Se parte de la formulación de Dietrich y Vautherin (1985), que utiliza una función de onda escalar acoplada a un campo vectorial externo $A(r,t)$ (análogo a un campo magnético) para representar la vorticidad.
  • Para evitar la complejidad de la "potencial cuántica" no local y la no linealidad directa de la disipación en la ecuación de onda, los autores transforman el sistema a variables de densidad ($\rho$) y fase ($\chi$), obteniendo un sistema de ecuaciones en forma Hamilton-Jacobi (NSHJ).
  • En esta representación, el término viscoso se reescribe como una serie de no linealidades polinómicas de segundo orden, eliminando la no localidad explícita y haciendo el sistema apto para la linealización.

• Linealización de Carleman y Representación de Redes Tensoriales:

  • Se aplica la linealización de Carleman al sistema NSHJ discretizado. Este método eleva el sistema no lineal finito a un sistema lineal infinito-dimensional mediante la construcción de un vector de estado que incluye productos tensoriales de los campos originales ($J^{(1)}, J^{(2)}, \dots$).
  • Innovación Clave: Para manejar la explosión combinatoria de variables (que crece exponencialmente con el orden de truncación $N_C$), se introduce una representación de red tensorial. En lugar de construir explícitamente los tensores completos de orden superior, se expresan como sumas de tensores de rango uno. Esto reduce drásticamente la complejidad de memoria de $O((4G)^{N_C})$ a $O((N_t 4G)^{N_C-2}(N_C-2)!)$, permitiendo simulaciones de alto orden en computadoras clásicas.

• Algoritmo Cuántico:

  • Se propone un algoritmo cuántico que implementa la evolución temporal del sistema linealizado mediante codificación de bloques (block-encoding).
  • Las matrices de evolución (no unitarias) se incrustan en operadores unitarios utilizando qubits auxiliares (ancillas). La evolución se realiza en pasos secuenciales sobre los componentes del vector de Carleman.

3. Contribuciones Clave

1. Primera Algoritmo Cuántico para NSE Reales: Es el primer algoritmo basado en una formulación de onda cuántica que describe las ecuaciones de Navier-Stokes genuinas, incluyendo presión, disipación y vorticidad de manera consistente.
2. Estrategia de Salida (HJ): Se demuestra que la formulación Hamilton-Jacobi es superior a la formulación directa de la ecuación de onda para la linealización de Carleman, ya que elimina la potencial cuántica y convierte la disipación en polinomios manejables.
3. Técnica de Red Tensorial para Carleman: Se desarrolla y valida una técnica de red tensorial que permite simular sistemas de Carleman de alto orden (hasta 4º orden) con un ahorro de memoria masivo, haciendo viable la implementación en hardware cuántico futuro.
4. Análisis de Convergencia: Se establece que la precisión del método depende de un "tiempo de cruce" ($t_{cross}$). Los órdenes de truncación más altos mejoran la precisión a corto plazo, pero los órdenes más bajos (especialmente el 2º orden) ofrecen un comportamiento más estable y preciso a largo plazo (escalas de tiempo disipativas).

4. Resultados

Los autores emularon el algoritmo cuántico en una computadora clásica utilizando flujos tipo Kolmogorov en una rejilla periódica ($32 \times 32$ y $128 \times 128$) para números de Reynolds moderados ($Re \approx 5$ a $40$):

• Precisión a Corto Plazo: Para tiempos $t < t_{cross}$, los truncamientos de orden superior (3º y 4º) reproducen la solución de referencia (NSHJ) con errores relativos menores a $10^{-3}$, superando a la linealización de Carleman aplicada directamente a las NSE (CNS).
• Comportamiento a Largo Plazo: Más allá del tiempo de cruce, el truncamiento de segundo orden (CHJ2) demuestra ser más robusto, capturando correctamente la tendencia de decaimiento y el estado estacionario, mientras que los órdenes superiores divergen más rápido.
• Eficiencia de Memoria: La técnica de red tensorial redujo el uso de memoria de ~100 TB (requerido para una simulación estándar de 4º orden) a ~0.01 GB, haciendo posible la ejecución en hardware convencional.
• Comparación: El método CHJ muestra una precisión comparable a la linealización de Carleman de Lattice Boltzmann (CLB) para $Re$ moderados, pero con menos campos (4 campos frente a 9 en CLB), aunque es más sensible al número de Reynolds que CLB.

5. Significado e Impacto

Este trabajo abre una cuarta vía (además de NSE, Grad y Lattice Boltzmann) para la linealización de Carleman de la dinámica de fluidos, inspirada en la mecánica cuántica.

• Viabilidad Cuántica: Demuestra que es posible formular un algoritmo cuántico para fluidos viscosos reales, superando la barrera de la disipación mediante la transformación a variables de fase y densidad.
• Optimización de Recursos: La introducción de redes tensoriales para la linealización de Carleman es un avance técnico crucial que podría aplicarse a otras formulaciones de fluidos, reduciendo drásticamente los requisitos de recursos (qubits y memoria) para simulaciones cuánticas futuras.
• Estrategia Híbrida: Los resultados sugieren una estrategia híbrida: usar órdenes altos para la dinámica transitoria de alta precisión y órdenes bajos para la evolución a largo plazo y estados estacionarios.

En conclusión, el artículo establece un marco teórico y algorítmico sólido para la simulación cuántica de fluidos clásicos disipativos, abordando los desafíos de no linealidad y disipación mediante una combinación de formulaciones físicas inteligentes (HJ) y técnicas computacionales avanzadas (redes tensoriales).