⚛️ quantum physics

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

Cet article présente une méthodologie quantique scalable pour résoudre l'équation de Burgers linéarisée par Carleman en combinant la combinaison linéaire de non-unitaires pour le chargement d'état, un solveur linéaire quantique variationnel à multigrid pour surmonter les plateaux stériles, et des démonstrations réussies sur du matériel réel et simulé supportant des circuits représentant jusqu'à $2^{80}$ points de discrétisation.

Auteurs originaux : Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

Publié 2026-07-13

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'apprendre à un robot à prédire comment une goutte d'encre tourbillonne et se mélange dans un verre d'eau. Le problème ? Le robot est construit pour suivre des règles strictes et rectilignes (c'est une machine « linéaire »), mais l'encre qui tourbillonne suit des règles désordonnées, courbes et imprévisibles (c'est du « non linéaire »). C'est comme essayer d'apprendre le calcul intégral à un chien en ne lui montrant que comment rapporter un bâton.

C'est le grand obstacle auquel les scientifiques sont confrontés lorsqu'ils tentent d'utiliser l'informatique quantique pour simuler la dynamique des fluides. Mais dans cette étude, des chercheurs de l'U.S. Naval Research Laboratory et de BlueQubit Inc. ont trouvé un contournement ingénieux pour faire comprendre le tourbillon au robot. Ils n'ont pas essayé de forcer le robot à faire les mathématiques complexes directement ; ils ont utilisé une astuce appelée linéarisation de Carleman.

Voyez cette astuce comme la traduction d'une histoire complexe et chaotique en un immense tableur ennuyeux. En développant l'histoire, ils ont transformé les équations courbes et désordonnées de l'équation de Burgers (un modèle célèbre pour l'écoulement des fluides) en un système massif d'équations rectilignes. Une fois le problème placé sur le tableur, ils ont pu utiliser les outils quantiques existants conçus pour les lignes droites pour le résoudre.

Le problème de « chargement » et la clé magique
Le premier défi consistait à charger ce gigantesque tableur dans l'ordinateur quantique. Habituellement, charger une quantité massive de données prend un temps infini, comme essayer de télécharger toute une bibliothèque sur un téléphone en une seconde. L'équipe a utilisé une nouvelle méthode appelée Combinaison Linéaire de Non-Unitaires (LCNU).

Imaginez que vous avez une boîte verrouillée (les données) et un ensemble de clés. Les anciennes méthodes consistaient à essayer de fabriquer une clé maîtresse à partir d'un million de petits morceaux, ce qui était lent et maladroit. La nouvelle méthode LCNU est comme avoir quelques clés spéciales, légèrement étranges (des non-unitaires), qui peuvent être facilement transformées en clés parfaites avec juste un assistant supplémentaire (un qubit supplémentaire). Cela leur a permis de charger les données efficacement, quelle que soit la taille de la grille de points de fluide.

Le piège du « plateau stérile » et le démarrage à chaud
Une fois les données chargées, ils devaient résoudre les équations à l'aide d'une méthode appelée Solveur Linéaire Quantique Variationnel (VQLS). Mais voici le piège : si vous commencez simplement par deviner la réponse de manière aléatoire, l'ordinateur se perd dans un vaste désert plat appelé « plateau stérile » (barren plateau). C'est comme essayer de trouver le fond d'un immense bol plat dans l'obscurité ; vous pouvez marcher des kilomètres sans jamais savoir si vous vous rapprochez de la solution.

Pour corriger cela, l'équipe a utilisé une stratégie de multigrille (multigridding). Au lieu de commencer par le puzzle complet en haute définition, ils ont commencé par une version minuscule et floue (une grille grossière). Ils ont résolu celle-ci, puis ont utilisé cette réponse comme un « démarrage à chaud » (warm start - un indice utile) pour résoudre une version légèrement plus grande, puis une encore plus grande. C'est comme apprendre à faire du vélo : on commence avec des petites roues, puis un petit vélo, puis un grand vélo. Le temps d'atteindre la résolution complète, l'ordinateur n'était pas perdu dans le désert ; il était déjà sur la bonne voie.

Les résultats : simulations et matériel réel
L'équipe a testé ce flux de travail de deux manières :

Simulations : Ils ont exécuté l'ensemble du processus sur un simulateur informatique puissant. Ils ont constaté que la méthode de multigrille par démarrage à chaud était un tournant décisif. Un départ naïf et aléatoire n'obtenait qu'une précision d'environ 1 % (convergence vers $10^{-2}$ ), tandis que la méthode de multigrille atteignait une précision de 0,1 % ( $10^{-3}$ ). Les ondes de fluide ne se contentaient pas de s'estomper ; elles se déplaçaient et se comportaient réellement comme de l'eau.
Matériel réel : Ils ont ensuite exécuté une version plus petite du problème sur de véritables ordinateurs quantiques provenant d'IBM (spécifiquement les processeurs Heron r3 et Nighthawk). Même avec la nature bruitée et glitchée des machines d'aujourd'hui, ils ont réussi à obtenir une solution. Ils ont utilisé une manière intelligente de distribuer leurs « tirages » (shots - le nombre de fois qu'ils ont exécuté l'expérience) afin que les parties les plus importantes des mathématiques reçoivent plus d'attention. Les résultats ont montré que même si les machines commettaient des erreurs, la méthode fonctionnait toujours, le processeur ibm_boston étant le plus performant.

Regarder vers l'avenir : l'avenir est-il radieux ?
Les chercheurs ne se sont pas arrêtés aux résultats actuels ; ils ont effectué une « estimation des ressources » pour voir si cela pourrait fonctionner pour de grands problèmes réels à l'avenir. Ils ont calculé les chiffres pour des ordinateurs quantiques avec jusqu'à $2^{40}$ (environ 1024) points spatiaux et temporels combinés.

Leurs calculs suggèrent qu'avec un matériel futur, moins bruyant et plus rapide, cette approche pourrait en fait fonctionner plus rapidement que les supercalculateurs classiques pour ces types de problèmes. Ils estiment que sur les futurs processeurs IBM, il pourrait ne falloir que $10^2$ heures (quelques jours) pour atteindre le point d'« avantage quantique », où l'ordinateur quantique bat les meilleures méthodes classiques.

Cependant, l'article précise avec prudence qu'il s'agit d'une preuve de concept et d'une suggestion pour l'avenir, et non d'un produit fini. Il reste de grands obstacles :

Le bruit : Les ordinateurs quantiques d'aujourd'hui sont encore trop bruyants pour les plus gros problèmes.
La troncature : Ils ont utilisé un « ordre de troncature » minimum de $\alpha = 2$ . Bien que cela ait fonctionné pour leur test, des écoulements plus complexes et turbulents pourraient nécessiter un ordre plus élevé, ce qui rendrait le système exponentiellement plus grand et plus difficile à résoudre.
Le conditionnement : Les mathématiques sous-jacentes peuvent être « mal conditionnées », ce qui signifie que de petites erreurs peuvent s'amplifier en énormes erreurs, nécessissant des techniques de « préconditionnement » spéciales qui sont encore en cours de développement.

En bref, l'équipe a construit un prototype fonctionnel d'un pont entre le monde désordonné des fluides et le monde rectiligne de l'informatique quantique. Ils ont montré qu'il est possible de traverser la rivière, mais le pont est encore en construction, et ils ont besoin de meilleurs matériaux (un matériel moins bruyant) pour supporter le trafic lourd des tempêtes du monde réel.

Résumé Technique : Une approche scalable pour résoudre l'équation de Burgers linéarisée par Carleman sur un ordinateur quantique

Énoncé du Problème
La simulation de la dynamique des fluides sur des ordinateurs quantiques présente un défi fondamental : les ordinateurs quantiques sont intrinsèquement des machines linéaires, alors que la dynamique des fluides est régie par des équations aux dérivées partielles (EDP) non linéaires, telles que l'équation de Burgers. Pour combler ce fossé, la méthode de linéarisation de Carleman est employée pour transformer des équations différentielles ordinaires (EDO) non linéaires de dimension finie en EDO linéaires de dimension infinie, qui sont ensuite tronquées pour former des systèmes linéaires finis. Cependant, la résolution de ces systèmes sur du matériel quantique se heurte à deux obstacles principaux :

Efficacité du chargement des données : Les matrices des systèmes linéaires résultants augmentent de manière exponentielle avec le nombre de points de discrétisation spatiale et temporelle. Charger efficacement ces matrices sur du matériel quantique en utilisant uniquement des ressources classiques polylogarithmiques est non trivial, particulièrement lorsque les approches standards de Combinaison d'Unitaires Linéaires (LCU) souffrent d'une faible extensibilité.
Barrières d'optimisation : Les solveurs linéaires quantiques variationnels (VQLS), bien que capables de gérer de grands systèmes, sont sujets au phénomène de « plateau stérile » (barren plateau), où l'optimisation basée sur le gradient échoue à converger en raison d'espaces de recherche exponentiellement grands et d'une initialisation aléatoire.

Méthodologie
Les auteurs proposent un flux de travail complet pour répondre à ces défis, démontré sur l'équation de Burgers 1D avec des conditions aux limites périodiques.

Linéarisation et remplissage par zéros (Zero-Padding) : L'équation de Burgers est discrétisée et transformée via la linéarisation de Carleman en un système linéaire $L\vec{Y} = \vec{B}$ . Pour faciliter une décomposition efficace, les auteurs emploient une stratégie de remplissage par zéros, intégrant le système dans un espace de dimension supérieure. Cela permet de décomposer la matrice en une combinaison linéaire de matrices non unitaires spécifiques qui peuvent être encodées trivialement en matrices unitaires avec un surcoût minimal.
Chargement de données efficace (LCNU) : Au lieu de l'approche LCU standard, l'étude utilise la Combinaison de Non-Unitaires Linéaires (LCNU). Les auteurs dérivent une décomposition de la matrice linéarisée par Carleman où le nombre de termes est indépendant des points de discrétisation spatiale et temporelle. Spécifiquement, la matrice est décomposée en $N_s = \frac{1}{2}(9\alpha^2 + \alpha + 8)$ termes, où $\alpha$ est l'ordre de troncature. Cette décomposition repose sur des circuits d'incrémenteurs/décrémenteurs et des structures d'opérateurs de Pauli spécifiques, garantissant que la stratégie de chargement des données suit une mise à l'échelle polylogarithmique.
Solveur variationnel avec multigrille : Le système linéaire est résolu à l'aide du solveur linéaire quantique variationnel (VQLS). Pour atténuer le problème du plateau stérile, une stratégie de multigrille est introduite. Le problème est résolu en une série d'étapes, en commençant par des discrétisations spatiales et temporelles grossières. La solution (paramètres variationnels) d'une étape plus grossière est utilisée comme un « démarrage à chaud » (warm start) pour l'étape suivante plus fine. Cette initialisation systématique améliore considérablement les taux de convergence par rapport à une initialisation aléatoire naïve.
Allocation de tir (Shot Allocation) : Une méthode d'allocation de tir efficace est développée pour distribuer un nombre total de tir fixe parmi les différents circuits requis pour l'évaluation de la fonction de coût. En minimisant la variance de la fonction de coût, davantage de tirs sont alloués aux termes ayant de plus grands coefficients, optimisant ainsi la précision pour les contributions les plus significatives.

Principales Contributions
Le document présente cinq contributions principales :

Chargement de données amélioré : Une stratégie pour l'équation de Burgers linéarisée par Carleman en 1D où le nombre de termes dans la décomposition LCNU est indépendant de la grille de discrétisation.
Stratégie de multigrille : Une approche de multigrille spatiale et temporelle pour le système linéarisé par Carleman qui fournit des démarrages à chaud systématiques pour éviter les plateaux stériles.
Allocation de tir : Une méthode pour distribuer les tirs en fonction des magnitudes de coefficients afin de maximiser la précision pour un budget de calcul fixe.
Preuve de concept : Démonstration du flux de travail sur des simulateurs quantiques et sur du matériel quantique réel (processeurs IBM Heron r3 et Nighthawk).
Estimation des ressources : Une étude de faisabilité transpilant des circuits jusqu'à $2^{40}$ points combinés spatiaux et temporels, suggérant que la méthodologie passe à l'échelle efficacement pour le matériel futur.

Résultats

Simulation : Sur un simulateur quantique, l'approche multigrille a fait converger la fonction de coût vers environ $10^{-3}$ , tandis qu'une approche naïve avec initialisation aléatoire n'a atteint que $10^{-2}$ . La solution multigrille a réussi à capturer la physique essentielle (amortissement des ondes et advection non linéaire), tandis que la solution naïve présentait un amortissement excessif et ne parvenait pas à capturer le transport non linéaire.
Matériel Réel : Le flux de travail a été exécuté sur des processeurs quantiques IBM (ibm_pittsburgh, ibm_boston, ibm_miami) pour une seule itération d'optimisation d'une étape de multigrille ( $2^3$ $2^{3}$ points spatiaux, $2^2$ $2^{2}$ points temporels).
- Le processeur Nighthawk (réseau carré) a produit des profondeurs de circuit plus faibles que le Heron r3 (réseau heavy-hex) pour les circuits d'encodage.
- L'utilisation de la primitive Estimator avec atténuation d'erreur (niveau de résilience 2) sur ibm_boston a réduit l'erreur de la norme 2 de la fonction de coût des variables à 0,27, contre des erreurs allant de 1,33 à 2,92 pour les exécutions Sampler non atténuées.
- L'étude a confirmé que malgré les niveaux de bruit actuels, des solutions précises sont atteignables pour des instances de petite taille.
Scalabilité : L'estimation des ressources suggère qu'avec les améliorations futures des temps de cohérence et de la fidélité des portes, la méthode proposée pourrait atteindre l'avantage quantique pour des problèmes avec un nombre exponentiel de points de discrétisation (ex: $2^{40}$ points) en utilisant environ $O(10^2)$ qubits et des temps d'exécution de l'ordre de $O(10^2)$ heures sur des systèmes dédiés.

Signification et Revendications
L'article affirme présenter un flux de travail réalisable pour résoudre des EDP non linéaires sur des ordinateurs quantiques qui fonctionne de manière satisfaisante dans les limites de calcul actuelles. Les auteurs soulignent que leur méthodologie démontre une voie vers la montée en échelle vers un nombre exponentiel de points de discrétisation spatiale et temporelle, à condition que les temps de décohérence du matériel s'améliorent.

Les auteurs maintiennent un ton modeste concernant les implications futures, notant explicitement plusieurs mises en garde :

L'ordre de troncature actuel ( $\alpha=2$ ) est le minimum requis ; des ordres plus élevés nécessaires pour des écoulements complexes (turbulence) pourraient entraîner une divergence des taux d'erreur ou une croissance exponentielle de la taille du système.
Le mauvais conditionnement de la matrice linéarisée par Carleman pour les grands systèmes nécessitera probablement un préconditionnement quantique, ce qui est un domaine de recherche en cours.
L'efficacité de la méthode de multigrille sur des systèmes exponentiellement grands n'a pas encore été démontrée empiriquement en raison des limitations de bruit du matériel actuel.
La préparation de l'état pour les conditions initiales et la lecture efficace de la solution finale restent des défis importants.

En fin de compte, ce travail sert de preuve de concept combinant un chargement de données efficace, des stratégies d'optimisation variationnelle et l'atténuation d'erreurs pour résoudre un problème de dynamique des fluides non linéaire, suggérant qu'un avantage quantique est théoriquement possible une fois les contraintes matérielles levées.

Résumé Technique : Une approche scalable pour résoudre l'équation de Burgers linéarisée par Carleman sur un ordinateur quantique

Articles similaires