⚛️ quantum physics

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

Este artículo presenta una metodología cuántica escalable para resolver la ecuación de Burgers carlemanizada mediante la combinación de una combinación lineal de no unitarios para la carga de estados, un solucionador cuántico lineal variacional de multigrid para superar los barren plateaus, y demostraciones exitosas en hardware real y simulado que soportan circuitos que representan hasta $2^{80}$ puntos de discretización.

Autores originales: Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

Publicado 2026-07-13

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

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

Imagina intentar enseñarle a un robot a predecir cómo una gota de tinta se agita y se mezcla en un vaso de agua. ¿El problema? El robot está construido para seguir reglas estrictas y de línea recta (es una máquina "lineal"), pero la tinta que se agita sigue reglas desordenadas, curvas e impredecibles (es "no lineal"). Es como intentar enseñarle a un perro a hacer cálculo mostrándole únicamente cómo buscar un palo.

Ese es el gran obstáculo que enfrentan los científicos al intentar usar computadoras cuánticas para simular la dinámica de fluidos. Pero en este estudio, investigadores del Laboratorio de Investigación Naval de EE. UU. y de BlueQubit Inc. encontraron un ingenioso rodeo para lograr que el robot entienda el remolino. No intentaron forzar al robot a hacer las matemáticas desordenadas directamente; en su lugar, utilizaron un truco llamado linealización de Carleman.

Piensa en este truco como traducir una historia compleja y caótica en una hoja de cálculo gigante y aburrida. Al expandir la historia, convirtieron las ecuaciones desordenadas y curvas de la ecuación de Burgers (un modelo famoso para el flujo de fluidos) en un sistema masivo de ecuaciones de línea recta. Una vez que el problema estuvo en la hoja de cálculo, pudieron usar herramientas cuánticas existentes diseñadas para líneas rectas para resolverlo.

El problema de la "Carga" y la Llave Mágica
El primer desafío fue pasar esta gigantesca hoja de cálculo a la computadora cuántica. Usualmente, cargar una cantidad masiva de datos toma una eternidad, como intentar subir una biblioteca entera a un teléfono en un segundo. El equipo utilizó un nuevo método llamado Combinación Lineal de No Unitarias (LCNU).

Imagina que tienes una caja cerrada (los datos) y un juego de llaves. Los métodos antiguos intentaban fabricar una llave maestra a partir de un millón de piezas diminutas, lo cual era lento y torpe. El nuevo método LCNU es como tener unas pocas llaves especiales, ligeramente extrañas (no unitarias), que pueden convertirse fácilmente en llaves perfectas con solo un ayudante adicional (un qubit extra). Esto les permitió cargar los datos de manera eficiente, independientemente de qué tan grande fuera la cuadrícula de los puntos del fluido.

La trampa del "Meseta Desértica" y el Inicio Cálido
Una vez cargados los datos, necesitaban resolver las ecuaciones usando un método llamado Solucionador Lineal Cuántico Variacional (VQLS). Pero aquí está el detalle: si simplemente empiezas a adivinar la respuesta al azar, la computadora se pierde en un vasto desierto plano llamado "meseta desértica" (barren plateau). Es como intentar encontrar el fondo de un tazón gigante y plano en la oscuridad; puedes caminar por millas y nunca saber si te estás acercando a la solución.

Para solucionar esto, el equipo utilizó una estrategia de multigrid (multimalla). En lugar de comenzar con el rompecabezas completo de alta definición, comenzaron con una versión diminuta y borrosa (una cuadrícula gruesa). Resolvieron eso, luego usaron esa respuesta como un "inicio cálido" (un indicio útil) para resolver una versión ligeramente más grande, y luego una aún más grande. Es como aprender a montar en bicicleta: empiezas con ruedines, luego una bicicleta pequeña y luego una grande. Para cuando llegaron a la resolución completa, la computadora no estaba perdida en el desierto; ya estaba en el camino correcto.

Los Resultados: Simulaciones y Hardware Real
El equipo probó este flujo de trabajo de dos maneras:

Simulaciones: Ejecutaron todo el proceso en un simulador de computadora potente. Descubrieron que el método de multigrid de "inicio cálido" fue un cambio radical. Un inicio ingenuo y aleatorio solo obtuvo una precisión del 1% (convergiendo a $10^{-2}$ ), pero el método de multigrid logró bajar hasta un 0.1% de precisión ( $10^{-3}$ ). Las ondas del fluido no solo se desvanecieron; de hecho, se movían y se comportaban como agua real.
Hardware Real: Luego ejecutaron una versión más pequeña del problema en computadoras cuánticas reales de IBM (específicamente los procesadores Heron r3 y Nighthawk). Incluso con la naturaleza ruidosa y defectuosa de las máquinas actuales, lograron obtener una solución. Utilizaron una forma inteligente de distribuir sus "disparos" (el número de veces que ejecutaron el experimento) para que las partes más importantes de las matemáticas recibieran más atención. Los resultados mostraron que, aunque las máquinas cometieron algunos errores, el método seguía funcionando, siendo el procesador ibm_boston el que mejor se desempeñó.

Mirando hacia el Futuro: ¿Es brillante el futuro?
Los investigadores no se detuvieron solo en los resultados actuales; realizaron una "estimación de recursos" para ver si esto podría funcionar para problemas enormes y reales en el futuro. Procesaron los números para computadoras cuánticas con hasta $2^{40}$ (aproximadamente 1024) puntos espaciales y temporales combinados.

Sus cálculos sugieren que, con un hardware futuro menos ruidoso y más rápido, este enfoque podría ser en realidad más rápido que las supercomputadoras clásicas para este tipo de problemas. Estiman que, en futuros procesadores de IBM, podría tomar solo alrededor de $10^2$ horas (unos pocos días) alcanzar el punto de "ventaja cuántica", donde la computadora cuántica supere a los mejores métodos clásicos.

Sin embargo, el artículo es cuidadoso al notar que esto es una prueba de concepto y una sugerencia para el futuro, no un producto terminado. Todrás grandes obstáculos:

Ruido: Las computadoras cuánticas de hoy todavía son demasiado ruidosas para los problemas más grandes.
Truncamiento: Utilizaron un "orden de truncamiento" mínimo de $\alpha = 2$ . Aunque esto funcionó para su prueba, los flujos turbulentos más complejos podrían necesitar un orden más alto, lo que haría que el sistema fuera exponencialmente más grande y difícil de resolver.
Condicionamiento: La matemática detrás de escena puede estar "mal condicionada", lo que significa que errores diminutos pueden transformarse en errores enormes, requiriendo técnicas de "precondicionamiento" especiales que aún se están desarrollando.

En resumen, el equipo ha construido un prototipo funcional de un puente entre el mundo desordenado de los fluidos y el mundo de líneas rectas de las computadoras cuánticas. Han demostrado que es posible cruzar el río, pero el puente aún está en construcción y necesitan mejores materiales (hardware menos ruidoso) para manejar el tráfico pesado de las tormentas del mundo real.

Resumen Técnico: Un enfoque escalable para resolver la ecuación de Burgers linealizada de Carleman en una computadora cuántica

Planteamiento del problema
La simulación de la dinámica de fluidos en computadoras cuánticas presenta un desafío fundamental: las computadoras cuánticas son intrínsecamente máquinas lineales, mientras que la dinámica de fluidos está gobernada por ecuaciones diferenciales parciales (EDP) no lineales, como la ecuación de Burgers. Para cerrar esta brecha, se emplea el método de linealización de Carleman, que transforma ecuaciones diferenciales ordinarias (EDO) no lineales de dimensión finita en EDO lineales de dimensión infinita, las cuales son posteriormente truncadas para formar sistemas lineales finitos. Sin embargo, resolver estos sistemas en hardware cuántico enfrenta dos obstáculos principales:

Eficiencia en la carga de datos: Las matrices de los sistemas lineales resultantes escalan exponencialmente con el número de puntos de discretización espacial y temporal. Cargar estas matrices de manera eficiente en el hardware cuántico utilizando únicamente recursos clásicos polilogarítmicos no es trivial, particularmente cuando los enfoques estándar de Combinación de Unidades (LCU) sufren de un escalamiento deficiente.
Barreras de optimización: Los Solutores Lineales Cuánticos Variacionales (VQLS), aunque capaces de manejar sistemas grandes, son propensos al fenómeno de "mesetas estériles" (barren plateaus), donde la optimización basada en gradientes falla en converger debido a espacios de búsqueda exponencialmente grandes y una inicialización aleatoria.

Metodología
Los autores proponen un flujo de trabajo integral para abordar estos desafíos, demostrado en la ecuación de Burgers 1D con condiciones de contorno periódicas.

Linealización y relleno de ceros (Zero-Padding): La ecuación de Burgers se discretiza y se transforma mediante la linealización de Carleman en un sistema lineal $L\vec{Y} = \vec{B}$ . Para facilitar una descomposición eficiente, los autores emplean una estrategia de relleno de ceros, embebiendo el sistema en un espacio de mayor dimensión. Esto permite que la matriz se descomponga en una combinación lineal de matrices no unitarias específicas que pueden codificarse trivialmente en matrices unitarias con una sobrecarga mínima.
Carga de datos eficiente (LCNU): En lugar del enfoque LCU estándar, el estudio utiliza la Combinación de No-Unitarias (LCNU). Los autores derivan una descomposición para la matriz linealizada de Carleman donde el número de términos es independiente de los puntos de discretización espacial y temporal. Específicamente, la matriz se descompone en $N_s = \frac{1}{2}(9\alpha^2 + \alpha + 8)$ términos, donde $\alpha$ es el orden de truncamiento. Esta descomposición se basa en circuitos de incrementador/decrementador y estructuras específicas de operadores de Pauli, asegurando que la estrategia de carga de datos escale polilogarítmicamente.
Solutor variacional con multigrid (Multigridding): El sistema lineal se resuelve utilizando el Solutor Lineal Cuántico Variacional (VQLS). Para mitigar el problema de las mesetas estériles, se introduce una estrategia de multigrid. El problema se resuelve en una serie de etapas, comenzando con discretizaciones espaciales y temporales más gruesas. La solución (parámetros variacionales) de una etapa más gruesa se utiliza como un "inicio en caliente" (warm start) para la siguiente etapa más fina. Esta inicialización sistemática mejora significativamente las tasas de convergencia en comparación con la inicialización aleatoria ingenua.
Asignación de disparos (Shot Allocation): Se desarrolla un método de asignación de disparos eficiente para distribuir un número fijo de disparos entre los varios circuitos requeridos para la evaluación de la función de costo. Al minimizar la varianza de la función de costo, se asignan más disparos a los términos con coeficientes más grandes, optimizando la precisión para las contribuciones más significativas.

Contribuciones clave
El artículo describe cinco contribuciones primarias:

Carga de datos mejorada: Una estrategia para la ecuación de Burgers linealizada de Carleman 1D donde el número de términos en la descomposición LCNU es independiente del tamaño de la rejilla de discretización.
Estrategia de Multigrid: Un enfoque de multigrid espacial y temporal para el sistema linealizado de Carleman que proporciona inicios en caliente sistemáticos para evitar las mesetas estériles.
Asignación de disparos: Un método para distribuir los disparos basados en las magnitudes de los coeficientes para maximizar la precisión con un presupuesto computacional fijo.
Prueba de concepto: Demostración del flujo de trabajo tanto en simuladores cuánticos como en hardware cuántico real (procesadores IBM Heron r3 y Nighthawk).
Estimación de recursos: Un estudio de viabilidad transpilando circuitos hasta $2^{40}$ puntos combinados espaciales y temporales, lo que sugiere que la metodología escala eficientemente para el hardware futuro.

Resultados

Simulación: En un simulador cuántico, el enfoque de multigrid hizo converger la función de costo a aproximadamente $10^{-3}$ , mientras que un enfoque ingenuo con inicialización aleatoria solo alcanzó $10^{-2}$ . La solución de multigrid capturó con éxito la física esencial (amortiguamiento de ondas y advección no lineal), mientras que la solución ingenua exhibió un amortiguamiento excesivo y falló en capturar el transporte no lineal.
Hardware real: El flujo de trabajo se ejecutó en procesadores cuánticos de IBM (ibm_pittburgh, ibm_boston, ibm_miami) para una única iteración de optimización de una etapa de multigrid ( $2^3$ $2^{3}$ puntos espaciales, $2^2$ $2^{2}$ puntos temporales).
- El procesador Nighthawk (red cuadrada) produjo profundidades de circuito más cortas que el Heron r3 (red heavy-hex) para los circuitos de empaquetado (embedding).
- El uso del primitivo Estimator con mitigación de errores (nivel de resiliencia 2) en ibm_boston redujo el error de la norma 2 de las variables de la función de costo a 0.27, comparado con errores que oscilaban entre 1.33 y 2.92 para ejecuciones de Sampler sin mitigar.
- El estudio confirmó que, a pesar de los niveles actuales de ruido, es posible obtener soluciones precisas para instancias de pequeña escala.
Escalabilidad: La estimación de recursos sugiere que, con las mejoras futuras en los tiempos de coherencia y la fidelidad de las puertas, el método propuesto podría lograr la ventaja cuántica para problemas con un número exponencial de puntos de discretización espacial y temporal (por ejemplo, $2^{40}$ puntos) utilizando aproximadamente $O(10^2)$ qubits y tiempos de ejecución en el rango de $O(10^2)$ horas en sistemas dedicados.

Significado y Reivindicaciones
El artículo afirma presentar un flujo de trabajo viable para resolver EDP no lineales en computadoras cuánticas que funciona bien dentro de los límites computacionales actuales. Los autores enfatizan que su metodología demuestra un camino hacia el escalamiento a un número exponencial de puntos de discretización espacial y temporal, siempre que mejoren los tiempos de decoherencia del hardware.

Los autores mantienen un tono modesto respecto a las implicaciones futuras, señalando explícamente varias advertencias:

El orden de truncamiento actual ( $\alpha=2$ ) es el mínimo requerido; órdenes más altos necesarios para flujos complejos (turbulencia) pueden llevar a la divergencia en las tasas de error o al crecimiento exponencial en el tamaño del sistema.
El mal condicionamiento de la matriz de Carleman para sistemas grandes probablemente requerirá un precondicionamiento cuántico, que es un área de investigación en curso.
La eficacia del método de multigrid en sistemas exponencialmente grandes aún no se ha demostrado empíricamente debido a las limitaciones de ruido del hardware actual.
La preparación del estado para las condiciones iniciales y la lectura eficiente de la solución final siguen siendo desafíos significativos.

En última instancia, el trabajo sirve como una prueba de concepto que combina la carga de datos eficiente, la optimización variacional y la mitigación de errores para resolver un problema de dinámica de fluidos no lineal, sugiriendo que una ventaja cuántica es teóricamente posible una vez que se alivien las restricciones del hardware.

Resumen Técnico: Un enfoque escalable para resolver la ecuación de Burgers linealizada de Carleman en una computadora cuántica

Más como este