Reconstructing fluid velocity fields from sparse sensors using a variational quantum algorithm

Imagina intentar comprender el flujo de un río observando únicamente un puñado de hojas flotantes. Puedes ver dónde están esas hojas específicas en un momento dado, pero el agua entre ellas, los remolinos que se forman en los huecos y las corrientes que se mueven corriente arriba permanecen como un misterio. Esta es la realidad diaria para los científicos que estudian la dinámica de fluidos, desde los patrones meteorológicos hasta el flujo sanguíneo en las arterias. A menudo tienen acceso solo a unos pocos sensores dispersos en un área vasta, pero necesitan conocer la velocidad y la dirección del fluido en cada punto del espacio y del tiempo. Reconstruir el panorama completo a partir de pistas tan escasas es un rompecabezas notoriamente difícil porque las reglas que rigen cómo se mueven los fluidos son complejas y cambian rápidamente.

Durante décadas, los investigadores han dependido de potentes computadoras clásicas para llenar estos vacíos, utilizando modelos matemáticos que simulan la física del flujo. Sin embargo, a medida que la necesidad de una mayor resolución crece, estas simulaciones se vuelven increíblemente costosas y lentas. Un nuevo enfoque ha surgido de la intersección entre la física y la computación cuántica, ofreciendo una forma diferente de abordar este problema. En lugar de intentar calcular el comportamiento del fluido paso a paso, avanzando en el tiempo como una película que se reproduce fotograma a fotograma, este nuevo método intenta resolver toda la historia del flujo a la vez. Trata la velocidad del fluido a través del espacio y el tiempo como un objeto único y unificado. Al codificar esta enorme cantidad de información en un sistema cuántico, los investigadores pueden usar las propiedades únicas de la mecánica cuántica para encontrar la solución de manera más eficiente.

En un estudio reciente, un equipo de investigadores de la Universidad Estatal de Florida propuso una nueva forma de reconstruir estos campos de velocidad de fluidos utilizando un algoritmo cuántico variacional. Su objetivo era tomar los datos limitados de unos pocos sensores y, combinados con las leyes conocidas de la física, reconstruir el mapa completo de cómo se mueve el fluido. Se centraron en dos modelos matemáticos específicos que describen el comportamiento de los fluidos: la ecuación de Burgers, que captura cómo las ondas se vuelven empinadas y se rompen, y la ecuación de Kuramoto–Sivashinsky, que describe patrones más caóticos y turbulentos. Estas ecuaciones son famosas por ser difíciles de resolver porque involucran interacciones no lineales fuertes, lo que significa que pequeños cambios pueden conducir a resultados muy diferentes.

Los investigadores desarrollaron una estrategia que codifica la solución completa —cada punto en el espacio y cada momento en el tiempo— en un único estado cuántico. Imaginen este estado como un contenedor complejo y multidimensional que alberga la respuesta. En lugar de actualizar este contenedor segundo a segundo, el algoritmo ajusta los parámetros de la computadora cuántica de una sola vez para encontrar la configuración que mejor se ajuste tanto a los datos de los sensores como a las leyes físicas. La computadora es guiada por una función de costo, una especie de tarjeta de puntuación que penaliza la solución si discrepa con las lectciones de los sensores o si viola las ecuaciones físicas. El algoritmo ajusta iterativamente los parámetros cuánticos para reducir esta puntuación, convergiendo eventualmente en una solución que satisface ambas restricciones simultáneamente.

Para probar su idea, el equipo realizó simulaciones numéricas en una computadora clásica que imitaba cómo se comportaría un dispositivo cuántico real. Establecieron escenarios donde los sensores se colocaron en solo una pequeña fracción de las ubicaciones posibles —a veces tan solo dos o tres puntos de docenas— cubriendo no más del 25 por ciento de la rejilla espacial. A pesar de esta extrema falta de datos, el algoritmo reconstruyó con éxito el campo de velocidad completo. En las simulaciones, el flujo reconstruido coincidió con el flujo "real" conocido con un alto grado de precisión, logrando a menudo errores tan pequeños como una centésima de la magnitud del flujo. Este nivel de precisión se alcanzó incluso cuando el fluido se movía en un régimen de baja viscosidad, donde el flujo se vuelve agudo y turbulento, una condición que usualmente hace que la reconstrucción sea muy difícil.

El estudio comparó dos formas diferentes de representar el fluido en la computadora cuántica. El primer enfoque, llamado método de espacio real, mapeó el fluido directamente a puntos específicos en una rejilla, de forma muy similar a cómo una imagen digital mapea píxeles. El segundo enfoque, conocido como el método de base reducida de Galerkin, representó el fluido como una combinación de patrones suaves y ondulatorios. Los investigadores encontraron que, para los flujos más suaves que probaron, la representación de tipo onda fue particularmente efectiva, produciendo a menudo resultados más precisos con menos recursos computacionales. Esto sugiere que elegir la forma correcta de describir la estructura del fluido es tan importante como el propio algoritmo cuántico.

Un aspecto muy significativo de este trabajo es cómo maneja el tiempo. Los métodos tradicionales suelen tener dificultades cuando las condiciones iniciales de un fluido son desconocidas o cuando los datos solo están disponibles durante una ventana específica en medio de un proceso. Este nuevo método no requiere un punto de partida conocido. Debido a que resuelve todo el cronograma simultáneamente, puede trabajar hacia atrás y hacia adelante desde los datos dispersos de los sensores para llenar los vacíos. En sus simulaciones, los investigadores demostraron esto reconstruyendo flujos donde los sensores solo registraron datos durante un período corto y arbitrario, y aun así el algoritmo recuperó la historia completa del movimiento.

Los resultados sugieren que este esquema de codificación de espacio-tiempo ofrece un marco compacto y poderoso para comprender la compleja dinámica de fluidos. Si bien este trabajo está actualmente limitado a simulaciones y modelos unidimensionales, apunta hacia un futuro donde los dispositivos cuánticos podrían ayudar a los científicos a visualizar flujos invisibles en experimentos del mundo real. Los investigadores señalaron que el éxito del método depende en gran medida del diseño del circuito cuántico utilizado para representar la solución. Utilizaron un diseño estándar y compatible con el hardware para sus pruebas, pero sospechan que adaptar el circuito a la física específica del problema podría conducir a un rendimiento aún mejor.

En última instancia, este estudio proporciona una prueba de concepto de que los algoritmos cuánticos pueden usarse para resolver problemas inversos en la mecánica de fluidos, donde el objetivo es deducir el todo a partir de la parte. Al combinar las restricciones de las leyes físicas con mediciones dispersas, el algoritmo puede recuperar una imagen globalmente consistente del movimiento de un fluido. Los investigadores enfatizan que, si bien el ruido en el hardware cuántico real y la complejidad de la optimización siguen siendo desafíos, el enfoque abre una nueva puerta para extraer información significativa de datos limitados. Ofrece un camino prometedor para campos que van desde la meteorología hasta la imagenología médica, donde ver el panorama completo a partir de unas pocas pistas dispersas es esencial.