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

Questo articolo presenta un nuovo algoritmo quantistico basato sull'equazione di Hamilton-Jacobi e sull'embedding di Carleman tramite tensor-network per simulare le equazioni di Navier-Stokes, superando le sfide dissipative delle formulazioni ondulatorie precedenti e dimostrando la sua efficacia attraverso emulazioni classiche su flussi di tipo Kolmogorov.

L'essenziale

Immagina di voler simulare il comportamento di un fluido, come l'acqua che scorre in un fiume o l'aria che spinge un'ala di aereo. Per fare questo, i fisici usano delle equazioni molto complicate chiamate Equazioni di Navier-Stokes. Sono come le "regole del gioco" per i fluidi, ma sono così difficili da risolvere che i computer classici faticano a farlo velocemente, specialmente quando il fluido è turbolento.

Negli ultimi anni, gli scienziati hanno pensato: "E se usassimo un computer quantistico? Potrebbe essere molto più veloce!"

Il problema è che i computer quantistici sono fatti per gestire la meccanica quantistica (il mondo delle particelle subatomiche), che è molto diversa dalla fluidodinamica classica. È come cercare di suonare un violino usando un martello: gli strumenti non sono fatti per quella musica.

Ecco cosa hanno fatto gli autori di questo paper per risolvere il problema, spiegato in modo semplice:

1. Il Problema: Tradurre la "Lingua"

I fluidi classici hanno due "nemici" per i computer quantistici:

• La Non-linearità: Le cose si influenzano a vicenda in modo complicato (se spingi l'acqua qui, si muove anche là in modo imprevedibile).
• L'Attrito (Dissipazione): I fluidi reali si fermano a causa dell'attrito, ma i computer quantistici amano le cose che non si fermano mai.

Per anni, gli scienziati hanno cercato di "tradurre" le equazioni dei fluidi in una forma che assomigliasse a quelle quantistiche (chiamata equazione di Schrödinger), ma c'era sempre un pezzo che non tornava, specialmente per quanto riguarda l'attrito e i vortici (i mulinelli).

2. La Soluzione: Il "Trucco" del Ricercatore

Questi ricercatori hanno rispolverato un'idea vecchia di 40 anni (del 1985) e l'hanno aggiornata con una nuova tecnologia. Hanno detto: "Non proviamo a forzare il fluido nella forma quantistica standard. Cambiamo invece la nostra prospettiva."

Hanno usato una tecnica chiamata Trasformazione Inversa di Madelung.
Immagina di avere un fluido. Invece di guardarlo come un liquido che scorre, lo descrivono come se fosse un'onda.

• L'analogia: Pensa a un'onda nel mare. Ha un'altezza (densità) e una direzione (velocità). Gli scienziati hanno trovato un modo per scrivere le equazioni del fluido usando solo queste due cose, trasformando il problema in qualcosa che assomiglia molto a un'equazione d'onda quantistica.

3. Il Motore: La "Linearizzazione di Carleman"

Ora abbiamo un'equazione che sembra quantistica, ma è ancora troppo complicata per il computer. È come avere un'auto sportiva con il motore bloccato.
Per sbloccarla, usano una tecnica chiamata Linearizzazione di Carleman.

• L'analogia: Immagina di voler prevedere il percorso di una palla che rimbalza in modo caotico. È difficile. Ma se invece di guardare la palla, guardi tutte le possibili traiettorie che potrebbe fare contemporaneamente, e le metti in fila, il problema diventa una semplice lista di cose da fare (lineare).
• Questo trasforma il problema "caotico" in una lista ordinata di passi che un computer quantistico può seguire.

4. Il Segreto: Le "Reti di Tessuto" (Tensor Networks)

C'era un grosso ostacolo: per fare questo trucco, il computer avrebbe dovuto ricordare una quantità di dati così enorme da esplodere la memoria (come cercare di tenere a mente ogni singolo granello di sabbia di un deserto).
Gli autori hanno usato una tecnica chiamata Rappresentazione a Rete di Tensori.

• L'analogia: Immagina di dover descrivere un'immagine gigante. Invece di salvare ogni singolo pixel (che richiederebbe terabyte di spazio), salvi solo le "regole" che generano l'immagine e i collegamenti tra le parti. È come se invece di disegnare un intero albero pixel per pixel, disegnassi solo il tronco e le regole per far crescere i rami.
• Questo ha permesso loro di risparmiare miliardi di volte di memoria, rendendo possibile la simulazione su computer classici (e in futuro su quelli quantistici).

5. I Risultati: Cosa Hanno Scoperto?

Hanno simulato dei flussi d'acqua (flussi di Kolmogorov) e hanno scoperto due cose importanti:

1. A breve termine: Più "livelli" di complessità (ordine di troncamento) usi, più la simulazione è precisa. È come guardare un film in 4K invece che in SD.
2. A lungo termine: Paradossalmente, dopo un po' di tempo, i modelli più semplici (solo 2 livelli) funzionano meglio di quelli complessi! È come se il sistema si "calmasse" e diventasse più semplice da prevedere. I modelli troppo complessi iniziano a fare confusione.

In Sintesi

Questo lavoro è importante perché:

• È il primo algoritmo quantistico che riesce a simulare le vere equazioni dei fluidi (con attrito, pressione e vortici) partendo da una formulazione d'onda.
• Ha trovato un modo per risparmiare memoria usando le "reti di tensori", rendendo il progetto fattibile.
• Suggerisce che per i computer quantistici del futuro, non serve sempre la massima complessità: a volte, un approccio ibrido (complesso all'inizio, semplice alla fine) è la strada migliore per prevedere il comportamento dei fluidi.

È un passo avanti fondamentale per capire come i computer quantistici potrebbero un giorno aiutarci a progettare aerei più efficienti, prevedere il meteo con precisione o capire il flusso del sangue nel corpo umano.

Sommario tecnico

Titolo: Equazione di Schrödinger-Navier-Stokes per la Simulazione Quantistica dei Flussi Navier-Stokes

Autori: Luca Cappelli, Sauro Succi, Monica Lăcătuș, Alessandro Andrea Zecchi, Alessandro Roggero.

---

1. Il Problema

La simulazione quantistica dei fluidi classici (descritti dalle equazioni di Navier-Stokes, NSE) rappresenta una sfida fondamentale a causa di due ostacoli principali: la non linearità e la dissipazione.

• Le formulazioni quantistiche standard (come quella di Madelung) descrivono fluidi ideali, non viscosi e irrotazionali, privi di dissipazione.
• Le formulazioni precedenti che tentavano di includere vorticità e dissipazione (es. tramite funzioni d'onda spinoriali) si sono rivelate matematicamente complesse o hanno introdotto forze artificiali inconsistenti.
• L'obiettivo è trovare una formulazione "onda-like" (simile alla meccanica quantistica) delle vere equazioni di Navier-Stokes (inclusi pressione, dissipazione e vorticità) che sia adatta all'implementazione su computer quantistici, superando la difficoltà di linearizzare termini dissipativi non polinomiali e non locali.

2. Metodologia

Gli autori propongono un approccio basato su tre pilastri fondamentali:

A. Formulazione Schrödinger-Navier-Stokes (SNS)

Si fa riferimento alla formulazione proposta da Dietrich e Vautherin (1985), che utilizza un'equazione di Schrödinger scalare accoppiata a un campo esterno rotazionale $\mathbf{A}(\mathbf{r}, t)$.

• Il campo di velocità è decomposto in una parte irrotazionale ($\nabla \chi$) e una parte rotazionale ($\mathbf{A}$), dove $\nabla \times \mathbf{A}$ rappresenta la vorticità.
• Per eliminare il potenziale quantistico (non presente nei fluidi classici) e gestire la dissipazione, gli autori adottano una trasformazione inversa di Madelung, passando dalle variabili della funzione d'onda ($\psi$) alle variabili idrodinamiche reali: densità $\rho$, fase $\chi$ e campo vettoriale $\mathbf{A}$.
• Questo porta a un sistema di equazioni in forma Hamilton-Jacobi (NSHJ), dove i termini viscosi sono riscritti come serie di non linearità polinomiali non locali.

B. Linearizzazione di Carleman e Troncamento

Per rendere il sistema adattabile agli algoritmi quantistici (che richiedono linearità), viene applicata la linearizzazione di Carleman.

• Il sistema non lineare viene mappato in uno spazio di stato infinito-dimensionale lineare.
• Viene adottata una troncatura di ordine finito ($N_C$). Gli autori analizzano specificamente troncamenti fino al quarto ordine.
• Il sistema viene discretizzato spazialmente (differenze finite) e temporalmente (schema di Eulero).

C. Rappresentazione con Tensor Network (TN)

Un contributo metodologico cruciale è l'uso di Tensor Network per gestire l'esplosione combinatoria dei termini di Carleman.

• Invece di costruire esplicitamente i tensori di ordine superiore (che richiederebbero memoria esponenziale, $O((4G)^{N_C})$), gli autori rappresentano lo stato come una somma di tensori di rango uno.
• Questo riduce drasticamente la complessità computazionale e di memoria, permettendo simulazioni classiche di ordini di troncamento elevati (fino a $N_C=4$) che sarebbero altrimenti impossibili.

D. Algoritmo Quantistico

Viene proposto uno schema per l'implementazione quantistica:

• Codifica: I vettori di stato di Carleman vengono codificati in registri di qubit.
• Block-Encoding: Poiché le matrici di evoluzione non sono unitarie, vengono incorporate in operatori unitari più grandi utilizzando ancilla qubit (tecnica del block-encoding).
• Probabilità di Successo: L'evoluzione è probabilistica; il successo dipende dal fattore di sott-normalizzazione e dalla norma del vettore di Carleman. Gli autori mostrano che la norma decade lentamente, rendendo la probabilità di successo gestibile.

3. Risultati Chiave

Le simulazioni classiche (emulazione dell'algoritmo quantistico) sono state eseguite su flussi di tipo Kolmogorov a numeri di Reynolds moderati ($Re \approx 5 - 40$).

• Accuratezza e Tempo di Coerenza:
  • Esiste un tempo di crossover ($t_{cross}$): a breve termine, troncamenti di ordine superiore ($N_C=3, 4$) offrono maggiore accuratezza rispetto all'ordine 2.
  • Oltre $t_{cross}$, le approssimazioni di ordine superiore divergono più rapidamente dalla soluzione esatta. In questo regime a lungo termine, il troncamento del secondo ordine ($N_C=2$) si rivela il più affidabile per catturare il comportamento asintotico e lo stato stazionario.
• Confronto con altre formulazioni:
  • La formulazione CHJ (Carleman-Hamilton-Jacobi) supera la linearizzazione di Carleman diretta sulle equazioni di Navier-Stokes (CNS) in termini di accuratezza e tempo di coerenza.
  • A parità di condizioni, CHJ mostra prestazioni comparabili alla linearizzazione di Carleman sulla formulazione Lattice Boltzmann (CLB), ma con un numero inferiore di campi variabili (4 contro 9 nel caso 2D di CLB), riducendo il sovraccarico di memoria.
• Efficienza della Rappresentazione Tensor Network:
  • Senza l'uso dei Tensor Network, una simulazione di ordine 4 richiederebbe circa $10^5$ GB di memoria. Con la strategia TN, il costo scende a circa $10^{-2}$ GB, rendendo fattibili simulazioni su hardware classico attuale.

4. Contributi Principali

1. Primo Algoritmo Quantistico Completo: Questo lavoro presenta il primo algoritmo quantistico basato su una formulazione d'onda genuina delle equazioni di Navier-Stokes, includendo esplicitamente pressione, dissipazione e vorticità.
2. Strategia di Uscita dal Problema Dissipativo: Dimostrano come la formulazione Hamilton-Jacobi, combinata con la linearizzazione di Carleman, superi le difficoltà di linearizzazione dei termini dissipativi non locali.
3. Innovazione Computazionale: L'introduzione di una strategia basata su Tensor Network per le simulazioni di Carleman, che riduce la complessità da esponenziale a quasi lineare rispetto all'ordine di troncamento, abilitando simulazioni di ordine 4.
4. Analisi di Confronto: Forniscono un'analisi dettagliata del compromesso tra ordine di troncamento e tempo di simulazione, suggerendo una strategia ibrida: ordini alti per la dinamica a breve termine e ordini bassi (2) per il comportamento a lungo termine.

5. Significato e Prospettive

Il lavoro apre una nuova strada (la quarta, dopo Navier-Stokes, Grad e Lattice Boltzmann) per la simulazione quantistica dei fluidi.

• Dimostra che è possibile formulare problemi fluidodinamici classici in un linguaggio "quantistico-like" senza perdere le caratteristiche fisiche essenziali (viscosità, vorticità).
• Sebbene la sensibilità al numero di Reynolds rimanga una sfida per tutte le formulazioni di Carleman (tranne forse CLB a bassi Re), la combinazione di formulazione Hamilton-Jacobi e Tensor Network offre un percorso promettente per ridurre i requisiti di risorse nei futuri computer quantistici.
• Il metodo è generale e potrebbe essere applicato ad altre formulazioni fluidodinamiche, suggerendo un potenziale significativo per lo sviluppo di algoritmi quantistici efficienti per la fluidodinamica computazionale.