⚛️ quantum physics

Variational Quantum Algorithms for Hyperelasticity: Incorporating Nonlinear Constitutive Behavior

Este artículo extiende un marco de Algoritmo Cuántico Variacional para resolver problemas de hiperelasticidad incompresible unidimensional con comportamientos constitutivos no lineales que involucran potencias racionales de la deformación mediante la transformación de estos términos a través de variables auxiliares y restricciones de penalización, y mejora además la precisión de la solución mediante una estrategia de corrección iterativa.

Autores originales: Uditnarayan Kouskiya, Caglar Oskay

Publicado 2026-08-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Uditnarayan Kouskiya, Caglar Oskay

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 un mundo donde los materiales que nos rodean —bandas elásticas, neumáticos de coches, el tejido blando de nuestros cuerpos— pudieran modelarse con perfecta precisión en una computadora. Los ingenieros y científicos han dependido durante mucho tiempo de las computadoras clásicas para predecir cómo estos materiales se estiran, se comprimen y recuperan su forma bajo presión. Sin embargo, estos materiales suelen comportarse de maneras complejas y no lineales, lo que significa que un pequeño empuje no siempre resulta en un movimiento proporcionalmente pequeño. Resolver las matemáticas detrás de estos comportamientos es notoriamente difícil, especialmente cuando se intenta simular en la próxima generación de computadoras: las máquinas cuánticas. Estas son excelentes para manejar líneas rectas y relaciones simples, pero tropiezan ante las curvas y giros de la realidad.

Este es el desafío que Uditnarayan Kouskiya y Caglar Oskay, investigadores de la Universidad de Vanderbilt, se propusieron abordar. Están trabajando en la intersección de la ingeniería civil y la computación cuántica, un campo que busca utilizar las extrañas reglas de la mecánica cuántica para resolver problemas de diseño estructural. Su objetivo era extender un nuevo método que habían desarrollado previamente para manejar las matemáticas desordenadas y no lineales de los materiales similares al caucho. Específicamente, querían ver si su enfoque podía funcionar para materiales que siguen reglas complejas que involucran potencias fraccionarias, una descripción matemática común en los modelos para el caucho y los tejidos biológicos. Los investigadores no construyeron una computadora cuántica física para este estudio; en su lugar, ejecutaron simulaciones sofisticadas en una computadora clásica que imita cómo se comportaría una máquina cuántica. Su trabajo sirve como una prueba de concepto, demostrando que una estrategia específica puede cerrar la brecha entre la lógica rígida de los algoritmos cuánticos y la realidad flexible de los materiales hiperelásticos.

El núcleo del trabajo de los investigadores involucra una técnica llamada Algoritmo Cuántico Variacional. En términos simples, esta es una forma de usar una computadora cuántica para encontrar el estado de menor energía de un sistema, lo cual corresponde a la forma más estable que tomará un material bajo una carga determinada. Los investigadores tomaron la descripción matemática de la energía de un material y la convirtieron en una "función de costo", una puntuación que la computadora cuántica intenta minimizar. El problema es que las ecuaciones para estos materiales similares al caucho a menudo contienen potencias que son fracciones o números negativos, que los circuitos cuánticos actuales no pueden procesar directamente. Para sortear esto, el equipo introdujo un ingenioso recurso. Añadieron "variables auxiliares", que son esencialmente números de apoyo que actúan en lugar de las partes fraccionarias difíciles de la ecuación. Luego añadieron una "penalización" al sistema: si el número de apoyo no coincidía perfectamente con la parte difícil de la ecuación, la puntuación de costo aumentaría. Esto obliga a la computadora cuántica a encontrar una solución donde la variable auxiliar y la matemática difícil se alineen, traduciendo efectivamente el problema complejo a una forma que la máquina cuántica pueda entender.

Sin embargo, esta traducción es una aproximación, y como cualquier aproximación, introduce un pequeño error. Para solucionar esto, los investigadores desarrollaron una segunda etapa en su proceso: una estrategia de corrección iterativa. Una vez que la computadora cuántica encuentra una solución inicial y aproximada, los investigadores utilizan ese resultado para calcular un campo de "corrección". Luego ejecutan el algoritmo cuántico nuevamente, esta vez pidiéndole que encuentre los pequeños ajustes necesarios para mejorar la primera respuesta. Repiten este ciclo, con cada ronda refinando la solución y acercándola más al comportamiento físico real del material. Es un poco como sintonizar una radio; primero encuentras la estación general y luego realizas pequeños ajustes en el dial hasta que la estática desaparece y la señal se vuelve nítida.

El equipo probó este enfoque de dos pasos en tres modelos diferentes de materiales similares al caucho, incluyendo el modelo de Ogden y el modelo de Mooney–Rivlin, que son formas estándar en las que los ingenieros describen cómo se deforman estas sustancias. Simularon una tira unidimensional de material, de un milímetro de largo, sometida a fuerzas y condiciones de contorno específicas. Utilizando un sistema cuántico simulado con tres qubits —las unidades básicas de información cuántica— ejecutaron su algoritmo. Los resultados mostraron que el método inicial basado en penalizaciones proporcionaba una estimación decente, pero el proceso de corrección iterativa mejoró significamente la precisión. Para el modelo de Mooney–Rivlin, el error cayó de más del cuatro por ciento a menos del medio por ciento tras solo unas pocas rondas de corrección. Los investigadores encontraron que, si bien la primera suposición era a menudo cercana, las correcciones subsiguientes eran esenciales para capturar los detalles finos del comportamiento del material.

El estudio concluye que este método es viable para los tipos específicos de no linealidades que probaron, pero también destaca los límites de la tecnología actual. Los investigadores señalaron que, si bien su método funciona bien para los ejemplos unidimensionales simples que eligieron, los escenarios del mundo real más complejos que involucran múltiples dimensiones e intrincados comportamientos de los materiales requerirían más qubits y un manejo más sofisticado de las variables auxiliares. No pretendieron haber resuelto el problema de simular todos los materiales en computadoras cuánticas, ni sugirieron que este método esté listo para uso industrial inmediato. En cambio, presentaron una demostración clara y paso a paso de que una combinación de restricciones de penalización y refinamiento iterativo puede hacer que los algoritmos cuánticos sean útiles para una clase de problemas de ingeniería difíciles que antes estaban fuera de alcance. El trabajo constituye un paso significativo para demostrar cómo la computación cuántica podría, algún día, ayudar a los ingenieros a diseñar estructuras más seguras y eficientes al comprender la compleja física de los materiales que utilizan.

Resumen Técnico: Algoritmos Cuánticos Variacionales para la Hiperelasticidad con Comportamiento Constitutivo No Lineal

Planteamiento del Problema
El artículo aborda el desafío de resolver problemas de valor en la frontera elastostáticos no lineales utilizando hardware cuántico de la era de la escala intermedia con ruido (near-term). Si bien avances recientes han motivado algoritmos cuánticos para ecuaciones diferenciales, persisten dos obstáculos principales: muchos algoritmos con fuertes garantías teóricas requieren hardware tolerante a fallos, y la estructura lineal de la evolución del estado cuántico complica el tratamiento de las ecuaciones diferenciales no lineales. Específicamente, este trabajo se dirige a materiales hiperelásticos gobernados por modelos constitutivos que involucran potencias racionales de la deformación (por ejemplo, potencias fraccionarias e inversas), las cuales son comunes en modelos como las formulaciones de Ogden y Mooney–Rivlin. Estas no linealidades son difíciles de representar directamente dentro del marco de los Algoritmos Cuánticos Variacionales (VQA) de circuito poco profundo propuesto anteriormente para no linealidades lineales o logarítmicas.

Metodología
Los autores extienden un marco VQA propuesto previamente para la hiperelasticidad 1D para manejar no linealidades constitutivas que involucran potencias racionales. La metodología consta de tres componentes principales:

Reformulación como una Función de Costo: El problema elastostático se reformula mediante la discretización del funcional de energía potencial, $E[u]$ , y la codificación de los grados de libertad de desplazamiento en un estado cuántico $|u\rangle = \theta_0 \hat{V}(\theta)|0\rangle$ . Aquí, $\hat{V}(\theta)$ es un circuito cuántico parametrizado (ansatz), y la energía potencial sirve como la función de costo $C(\theta_0, \theta)$ a minimizar.
Aproximación Polinómica mediante Métodos de Penalización: Dado que las primitivas cuánticas actuales (específicamente las Unidades de Procesamiento No Lineal Cuántico o QNPUs) pueden evaluar eficientemente operaciones polinómicas pero no potencias racionales arbitrarias, la densidad de energía de deformación $W(\lambda)$ se aproxima como una suma de términos de potencia. Para eliminar las potencias fraccionarias o inversas (por ejemplo, $\lambda^{p}$ donde $p \in \mathbb{Q}$ ), se introducen variables auxiliares $y$ para imponer restricciones tales como $y = \lambda^{p}$ . Estas restricciones se incorporan a la energía potencial total mediante un término de penalización:
$\tilde{E}[u, y] = E[u, y] + \frac{\beta}{2} \int_{\Omega_0} (y^b - \lambda^a)^2 dX$
Esto transforma el problema en la minimización de una función de costo polinómica compatible con el VQA.
Estrategia de Corrección Iterativa: Reconociendo que la formulación de penalización introduce errores de aproximación (debido a la aproximación polinómica y al parámetro de penalización $\beta$ ), los autores introducen un esquema de corrección iterativa. Partiendo de una solución aproximada $\tilde{u}$ , se busca un campo de corrección $\delta u$ tal que $u = \tilde{u} + \delta u$ . Al realizar una expansión de Taylor de la densidad de energía de deformación alrededor de la aproximación actual, se construye una nueva función de costo para el término de corrección. Este problema de corrección se resuelve mediante una secuencia de VQAs, actualizando la solución iterativamente ( $u^{(k+1)} = u^{(k)} + \delta u^{(k)}$ ) para mejorar la precisión.

Contribuciones Clave

Extensión del Marco VQA: El trabajo extiende el marco VQA de no linealidades lineales y logarítmicas a una clase más amplia de modelos constitutivos que involucran potencias racionales de la deformación, demostrando específicamente su aplicabilidad a los modelos incompresibles de Ogden y Mooney–Rivlin.
Variable Auxiliar y Formulación de Penalización: El artículo propone un método para manejar términos constitutivos no polinómicos mediante la introducción de variables auxiliares y restricciones de penalización, haciendo que el funcional de energía sea compatible con las primitivas algorítmicas cuánticas disponibles.
Algoritmo de Corrección Iterativa: Se introduce una novedosa estrategia de corrección iterativa para mitigar los errores inherentes a la aproximación basada en la penalización, refinando sistemáticamente la solución a través de una secuencia de resoluciones VQA.

Resultos
El enfoque propuesto fue validado mediante simulaciones de estado vectorial en Qiskit para modelos de Ogden incompresibles unidimensionales (con parámetros $\alpha=2$ y $\alpha=3$ ) y un modelo de Mooney–Rivlin.

Precisión: El procedimiento de corrección iterativa mejoró significamente la precisión de las soluciones basadas en la penalización para todos los modelos probados. Los errores relativos $L_2$ con respecto a las soluciones analíticas se redujeron sustancialmente después de cinco iteraciones. Por ejemplo, el modelo de Mooney–Rivlin mostró una reducción del error del 4.27% (solo penalización) al 0.49% (iterativo).
Convergencia: Se observó que el proceso de refinamiento se volvía cada vez más difícil de optimizar a medida que la solución se acercaba a la respuesta analítica, lo que llevó a los autores a terminar el proceso después de cinco iteraciones, punto en el cual ya se habían logrado ganancias de precisión sustanciales.
Implementación: Las simulaciones utilizaron un sistema de 3 qubits ( $N_q=8$ ) con una profundidad de circuito de $d=4$ .

Significancia y Reivindicaciones
El artículo posiciona este trabajo como una "prueba de concepto" que demuestra que los VQAs pueden adaptarse para resolver problemas de hiperelasticidad no lineal que involucran leyes de potencia racional, una clase de problemas que anteriormente eran difíciles de abordar con algoritmos cuánticos de la era actual. Los autores afirman que la combinación de la aproximación basada en la penalización y la corrección iterativa ofrece una vía viable para mejorar la precisión de la solución sin requerir hardware tolerante a fallos.

Los autores mantienen la modestia respecto al alcance, señalando que, si bien los ejemplos actuales requieren solo una variable auxiliar, los modelos constitutivos más complejos que involucran múltiples términos de potencia fraccionaria requerirían variables adicionales y una implementación cuántica más costosa. Además, el trabajo está limitado actualmente a problemas unidimensionales; los autores identifican la extensión a problemas de mayor dimensión y el manejo de mallas no estructuradas como direcciones futuras críticas para aprovechar plenamente las capacidades del método de elementos finitos en un entorno cuántico. El artículo no pretende una ventaja exponencial para estos ejemplos 1D específicos, pero señala que el análisis de complejidad sigue condiciones análogas a trabajos previos respecto a las posibles ventajas.

Más como este