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

Cet article propose et évalue un algorithme quantique innovant basé sur une formulation d'onde de type Schrödinger des équations de Navier-Stokes, en contournant les défis de dissipation via une approche Hamilton-Jacobi et une représentation par réseaux de tenseurs, dont la convergence est validée par des simulations classiques pour des écoulements de type Kolmogorov.

L'essentiel

🌊 Le Grand Défi : Simuler l'Océan avec des Ordinateurs Quantiques

Imaginez que vous voulez prédire exactement comment l'eau d'une rivière va tourbillonner, comment la fumée d'une cheminée va se disperser, ou comment l'air va s'écouler autour d'une aile d'avion. C'est ce qu'on appelle la mécanique des fluides.

Pour le faire sur un ordinateur classique, c'est déjà très difficile. Mais les scientifiques veulent utiliser les ordinateurs quantiques (les futurs super-ordinateurs qui fonctionnent avec des lois bizarres de la physique quantique) pour le faire encore plus vite.

Le problème ? Les fluides réels (comme l'eau) sont désordonnés (ils frottent, ils perdent de l'énergie, ils tourbillonnent), alors que les ordinateurs quantiques adorent les choses parfaites et ordonnées (comme des vagues de probabilité). C'est comme essayer de faire danser un ours en peluche mouillé sur une patinoire de glace parfaite : ça ne colle pas bien !

🧙‍♂️ La Solution : Le "Sortilège" de Schrödinger-Navier-Stokes

Les auteurs de cet article, Luca, Sauro et leurs collègues, ont une idée géniale. Ils disent : "Et si on déguisait l'eau en une vague quantique ?"

Historiquement, en 1985, deux chercheurs avaient déjà essayé de faire ça avec une équation appelée Schrödinger-Navier-Stokes (SNS). C'est une équation qui ressemble à celle des vagues quantiques, mais qui décrit en fait de l'eau qui frotte et qui tourne.

Le problème avec cette vieille recette :
L'équation contenait un ingrédient très "collant" et compliqué (la dissipation, c'est-à-dire la perte d'énergie due au frottement). Pour un ordinateur quantique, c'est comme essayer de résoudre un puzzle dont les pièces sont en gelée : impossible à manipuler proprement.

🛠️ L'Innovation : La Recette "Hamilton-Jacobi" et les Legos

Pour contourner ce problème, l'équipe a fait trois choses magiques :

1. Changer de lunettes (La transformation HJ) :
   Au lieu de regarder l'eau comme une vague complexe, ils l'ont découpée en deux parties plus simples :

   • Une partie qui avance tout droit (comme une vague calme).
   • Une partie qui tourne (comme un tourbillon).
     En utilisant une formulation appelée Hamilton-Jacobi, ils ont transformé le problème "gelé" en un problème plus doux, plus facile à manipuler pour un ordinateur quantique.

2. La technique des "Legos" (L'encodage de Carleman) :
   Pour que l'ordinateur quantique comprenne les équations, il faut les transformer en une longue liste de petits blocs linéaires (comme des Lego). C'est ce qu'on appelle l'encodage de Carleman.

   • Le problème habituel : Plus vous voulez être précis, plus il faut de blocs. Pour un fluide complexe, le nombre de blocs explose. C'est comme essayer de construire un château de Lego avec 10 milliards de pièces : votre ordinateur classique (ou quantique) explose de mémoire.
   • Le truc de génie : L'équipe a utilisé une technique appelée Réseaux de Tenseurs. Imaginez que vous n'avez pas besoin de construire tout le château d'un coup. Vous construisez juste les pièces nécessaires, une par une, et vous les assemblez intelligemment. Cela permet d'économiser énormément de mémoire (passer de l'équivalent de la mémoire de toute la Terre à celle d'un simple disque dur).

3. Le Test sur Ordinateur Classique :
   Comme ils n'ont pas encore d'ordinateur quantique assez puissant pour faire ça, ils ont simulé leur algorithme sur un ordinateur classique puissant. Ils ont testé leur méthode sur un écoulement de type "Kolmogorov" (un tourbillon mathématique classique).

📊 Les Résultats : Qui gagne ?

Ils ont comparé leur nouvelle méthode (CHJ) avec les anciennes méthodes de simulation quantique :

• Précision à court terme : Leur méthode est excellente. Elle suit le mouvement de l'eau très précisément pendant un certain temps, mieux que les anciennes méthodes.
• Le temps long : Comme toute simulation, après un certain temps, les petites erreurs s'accumulent. Cependant, ils ont découvert une astuce : utiliser une version "simplifiée" (ordre 2) de leur méthode permet de très bien prédire le comportement final de l'eau (comment elle finit par se calmer), même si elle perd un peu de précision au début.
• Le Reynolds (la turbulence) : Plus l'eau est turbulente (plus le nombre de Reynolds est élevé), plus c'est difficile. Mais leur méthode reste très compétitive, surtout grâce à leur technique d'économie de mémoire.

🚀 En Résumé

C'est la première fois qu'un algorithme quantique est conçu spécifiquement pour les équations réelles de l'hydrodynamique (avec pression, frottement et tourbillons), en utilisant une formulation mathématique élégante.

L'analogie finale :
Imaginez que vous voulez filmer un match de football avec une caméra ultra-rapide (l'ordinateur quantique).

• Avant, on essayait de filmer le ballon en le transformant en un oiseau (trop compliqué).
• Maintenant, les auteurs disent : "Non, on va filmer le ballon comme un ballon, mais on va utiliser un système de lentilles spécial (Hamilton-Jacobi) et un logiciel de compression vidéo ultra-efficace (Réseaux de Tenseurs) pour que la caméra puisse tout enregistrer sans exploser."

C'est une étape cruciale vers le jour où nous pourrons simuler la météo, la circulation du sang ou la conception d'avions directement sur des ordinateurs quantiques, en quelques secondes au lieu de quelques mois.

Résumé technique

1. Le Problème : La Simulation Quantique des Fluides Classiques

La simulation quantique des phénomènes physiques classiques, et plus particulièrement de la dynamique des fluides régie par les équations de Navier-Stokes (NS), se heurte à deux obstacles majeurs pour les ordinateurs quantiques : la non-linéarité et la dissipation.

Les formulations précédentes tentant de mapper les équations de Navier-Stokes sur un formalisme d'ondes quantiques (type Schrödinger) se sont souvent heurtées à des limitations :

• Soit elles négligeaient la vorticité (rotation du fluide).
• Soit elles utilisaient des forces artificielles pour simuler la dissipation, ce qui rendait la représentation mathématique incohérente.
• Soit la dissipation était traitée par des algorithmes purement classiques, annulant l'avantage quantique.

L'objectif de cet article est de combler cette lacune en proposant le premier algorithme quantique viable basé sur une formulation d'onde « quantique-like » des équations de Navier-Stokes genuines, incluant la pression, la dissipation et la vorticité.

2. Méthodologie

L'approche proposée repose sur trois piliers méthodologiques principaux :

A. Reformulation Hamilton-Jacobi (HJ) et Équation Schrödinger-Navier-Stokes (SNS)

Les auteurs revisitent l'approche de Dietrich et Vautherin (1985) qui reformule les équations de Navier-Stokes sous la forme d'une équation de Schrödinger non linéaire.

• Décomposition du champ de vitesse : Le champ de vitesse $v$ est décomposé en une partie irrotationnelle ($\nabla \chi$) et une partie rotationnelle ($A$), où $A$ est couplé à un champ magnétique externe dont le rotationnel représente la vorticité du fluide.
• Élimination du potentiel quantique : Pour éviter les termes non locaux intrinsèques à la mécanique quantique (potentiel de Bohm), les auteurs utilisent une transformation inverse de Madelung. Ils travaillent directement avec les variables de densité $\rho$ et de phase $\chi$, aboutissant à un système d'équations de type Hamilton-Jacobi (NSHJ).
• Avantage : Cette formulation transforme les termes non linéaires et dissipatifs en une série de non-linéarités polynomiales d'ordre deux, plus adaptées à la linéarisation quantique.

B. Linéarisation de Carleman et Troncature

Pour rendre le système compatible avec un ordinateur quantique (qui opère sur des opérateurs linéaires), les auteurs appliquent la linéarisation de Carleman.

• Principe : Le système non linéaire est plongé dans un espace de dimension infinie linéaire en définissant un vecteur d'état de Carleman contenant les produits tensoriels des champs d'origine ($J, J \otimes J, \dots$).
• Troncature : Pour des raisons pratiques, l'infini est tronqué à un ordre $N_C$ (ici jusqu'à l'ordre 4). Le système devient une équation d'évolution linéaire $\hat{J} = M J$, où $M$ est une matrice construite à partir des opérateurs de différence finie.

C. Représentation par Réseaux de Tenseurs (Tensor Networks)

C'est l'innovation technique majeure pour la faisabilité.

• Problème de mémoire : Une représentation explicite des tenseurs de Carleman d'ordre $N_C$ sur une grille de $G$ points nécessite une mémoire de l'ordre de $O((4G)^{N_C})$, ce qui devient rapidement impossible (ex: $10^5$ Go pour $N_C=4$).
• Solution : Les auteurs utilisent une représentation par réseaux de tenseurs pour exprimer l'évolution du système. Au lieu de stocker le tenseur complet, ils le décomposent en une somme de tenseurs de rang un.
• Gain : Cela réduit la complexité mémoire de $O((4G)^{N_C})$ à $O((N_t 4G)^{N_C-2}(N_C-2)!)$, rendant possible la simulation d'ordres supérieurs sur des ordinateurs classiques et préparant le terrain pour les implémentations quantiques.

D. Encodage Quantique (Block-Encoding)

Pour l'implémentation sur un ordinateur quantique :

• Les matrices d'évolution (non unitaires) sont encodées dans des opérateurs unitaires via la technique de block-encoding.
• Cela nécessite l'utilisation de qubits auxiliaires (ancilla) et fonctionne de manière probabiliste. La probabilité de succès dépend de la norme du vecteur d'état et des facteurs de redimensionnement des matrices.

3. Résultats Principaux

Les auteurs ont émulé l'algorithme quantique sur un ordinateur classique pour valider la méthode sur des écoulements de type Kolmogorov à des nombres de Reynolds modérés ($Re \approx 5$ à $40$).

• Précision et Convergence :

  • À court terme, une troncature d'ordre supérieur (ex: $N_C=4$) offre une meilleure précision que l'ordre 2, reproduisant la solution de référence (NSHJ) avec une erreur relative inférieure à $10^{-3}$.
  • Cependant, il existe un temps de croisement ($t_{cross}$) : au-delà de ce temps, les approximations d'ordre élevé divergent plus rapidement de la solution exacte que l'approximation d'ordre 2.
  • L'approximation d'ordre 2 ($N_C=2$) s'avère être la plus robuste pour capturer le comportement à long terme (dissipation et état stationnaire), même si elle est moins précise à court terme.

• Comparaison avec d'autres méthodes :

  • La méthode CHJ (Carleman Hamilton-Jacobi) surpasse la linéarisation de Carleman appliquée directement aux équations de Navier-Stokes (CNS) en termes de précision et de temps de cohérence.
  • Elle est compétitive avec la méthode Carleman Lattice Boltzmann (CLB), bien que la CLB soit moins sensible au nombre de Reynolds. En revanche, CHJ utilise moins de champs (4 contre 9 pour la Lattice Boltzmann en 2D), ce qui réduit la surcharge mémoire aux ordres de troncature élevés.

• Efficacité Mémoire :

  • La stratégie de réseau de tenseurs a permis de réduire la consommation mémoire de plusieurs ordres de grandeur (de $10^5$ Go à $10^{-2}$ Go pour une simulation d'ordre 4), rendant l'étude possible sur un ordinateur portable standard.

4. Contributions Clés

1. Premier algorithme quantique complet : C'est la première proposition d'algorithme quantique basé sur une formulation d'onde des équations de Navier-Stokes complètes (pression, dissipation, vorticité).
2. Stratégie de sortie (HJ Formulation) : La démonstration que la reformulation en Hamilton-Jacobi permet de contourner les obstacles de la non-localité et de la dissipation dans le cadre quantique.
3. Innovation Algorithmique (Tensor Networks) : L'introduction d'une représentation par réseaux de tenseurs pour la linéarisation de Carleman, permettant de réduire drastiquement la complexité computationnelle et de rendre les simulations d'ordre élevé réalisables.
4. Analyse de la convergence : Une caractérisation précise du compromis entre l'ordre de troncature et le temps de simulation, suggérant une stratégie hybride (ordre élevé pour le court terme, ordre 2 pour le long terme).

5. Signification et Perspectives

Ce travail ouvre une nouvelle voie (« quatrième voie ») pour la simulation quantique des fluides, aux côtés des approches basées sur Navier-Stokes direct, Grad, et Lattice Boltzmann.

• Potentiel : Bien que l'implémentation physique sur un ordinateur quantique soit encore future, la preuve de concept sur ordinateur classique valide la viabilité mathématique et algorithmique de l'approche.
• Défis restants : La probabilité de succès de l'encodage quantique diminue avec le nombre de pas de temps et la complexité des matrices. De plus, la sensibilité au nombre de Reynolds reste un défi, bien que la méthode CHJ soit prometteuse pour des régimes modérés.
• Impact : La technique de réduction de complexité par réseaux de tenseurs est générique et pourrait être appliquée à d'autres formulations de fluides, offrant une voie prometteuse pour réduire les exigences en ressources des futurs simulateurs quantiques de systèmes physiques complexes.

En résumé, cet article établit un cadre théorique et algorithmique solide pour simuler la turbulence et la dynamique des fluides dissipatifs sur des architectures quantiques, en résolvant les problèmes fondamentaux de non-linéarité et de dissipation grâce à une astuce mathématique (HJ) et une optimisation computationnelle (Tensor Networks).