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

Immaginate di cercare di comprendere il flusso di un fiume guardando solo un manipolo di foglie galleggianti. Potete vedere dove si trovano quelle specifiche foglie in ogni dato momento, ma l'acqua tra di esse, i vortici che si formano negli spazi vuoti e le correnti che si muovono a monte rimangono un mistero. Questa è la realtà quotidiana per gli scienziati che studiano la dinamica dei fluidi, dai modelli meteorologici al flusso sanguigno nelle arterie. Spesso hanno accesso solo a pochi sensori sparsi in un'area vasta, eppure devono conoscere la velocità e la direzione del fluido in ogni singolo punto dello spazio e del tempo. Ricostruire l'immagine completa da tali indizi scarsi è un rompicapo notoriamente difficile perché le regole che governano il movimento dei fluidi sono complesse e cambiano rapidamente.

Per decenni, i ricercatori si sono affidati a potenti computer classici per colmare queste lacune, utilizzando modelli matematici che simulano la fisica del flusso. Tuttavia, man mano che la necessità di una risoluzione più elevata cresce, queste simulazioni diventano incredibilmente costose e lente. Un nuovo approccio è emerso dall'intersezione tra la fisica e il calcolo quantistico, offrendo un modo diverso per affrontare questo problema. Invece di cercare di calcolare il comportamento del fluido passo dopo passo, procedendo in avanti nel tempo come un film che si riproduce fotogramma per fotogramma, questo nuovo metodo tenta di risolvere l'intera storia del flusso in un colpo solo. Tratta la velocità del fluido attraverso lo spazio e il tempo come un unico oggetto unificato. Codificando questa enorme quantità di informazioni in un sistema quantistico, i ricercatori possono utilizzare le proprietà uniche della meccanica quantistica per trovare la soluzione in modo più efficiente.

In uno studio recente, un team di ricercatori della Florida State University ha proposto un nuovo modo per ricostruire questi campi di velocità dei fluidi utilizzando un algoritmo quantistico variazionale. Il loro obiettivo era prendere i dati limitati da pochi sensori e, combinandoli con le leggi note della fisica, ricostruire la mappa completa di come si muove il fluido. Si sono concentrati su due modelli matematici specifici che descrivono il comportamento dei fluidi: l'equazione di Burgers, che cattura come le onde si incurvano e si rompono, e l'equazione di Kuramoto–Sivashinsky, che descrive schemi più caotici e turbolenti. Queste equazioni sono famose per essere difficili da risolvere perché coinvolgono forti interazioni non lineari, il che significa che piccoli cambiamenti possono portare a risultati molto diversi.

I ricercatori hanno sviluppato una strategia che codifica l'intera soluzione — ogni punto nello spazio e ogni momento nel tempo — in un singolo stato quantistico. Pensate a questo stato come a un contenitore complesso e multidimensionale che contiene la risposta. Invece di aggiornare questo contenitore un secondo alla volta, l'algoritmo regola le impostazioni del computer quantistico tutto in una volta per trovare la configurazione che meglio si adatta sia ai dati dei sensori che alle leggi fisiche. Il computer è guidato da una funzione di costo, una sorta di punteggio che penalizza la soluzione se non concorda con le letture dei sensori o se viola le equazioni fisiche. L'algoritmo modifica iterativamente le impostazioni quantistiche per abbassare questo punteggio, convergendo infine su una soluzione che soddisfi entrambi i vincoli simultaneamente.

Per testare la loro idea, il team ha eseguito simulazioni numeriche su un computer classico che imitava il comportamento di un vero dispositivo quantistico. Hanno impostato scenari in cui i sensori erano posizionati in una piccola frazione delle posizioni possibili — a volte solo due o tre punti su decine — coprendo non più del 25 percento della griglia spaziale. Nonostante questa estrema mancanza di dati, l'algoritmo è riuscito a ricostruire l'intero campo di velocità. Nelle simulazioni, il flusso ricostruito corrispondeva al flusso "vero" noto con un alto grado di precisione, raggiungendo spesso errori pari a un centesimo dell'entità del flusso. Questo livello di precisione è stato raggiunto anche quando il fluido si muoveva in un regime a bassa viscosità, dove il flusso diventa netto e turbolento, una condizione che solitamente rende la ricostruzione molto difficile.

Lo studio ha confrontato due modi diversi di rappresentare il fluido sul computer quantistico. Il primo approccio, chiamato metodo nello spazio reale, mappava il fluido direttamente su punti specifici di una griglia, proprio come un'immagine digitale mappa i pixel. Il secondo approccio, noto come metodo Galerkin-reduced-basis, rappresentava il fluido come una combinazione di schemi d'onda fluidi e regolari. I ricercatori hanno scoperto che, per i flussi più regolari testati, la rappresentazione ondulatoria era particolarmente efficace, producendo spesso risultati più accurati con meno risorse computazionali. Ciò suggerisce che scegliere il modo giusto per descrivere la struttura del fluido è importante quanto l'algoritmo quantistico stesso.

Uno degli aspetti più significativi di questo lavoro è il modo in cui gestisce il tempo. I metodi tradizionali spesso faticano quando le condizioni iniziali di un fluido sono sconosciute o quando i dati sono disponibili solo per una specifica finestra nel mezzo di un processo. Il nuovo metodo non richiede un punto di partenza noto. Poiché risolve l'intera linea temporale simultaneamente, può lavorare all'indietro e in avanti rispetto ai dati dei sensori per colmare le lacune. Nelle loro simulazioni, i ricercatori hanno dimostrato questo aspetto ricostruendo flussi in cui i sensori hanno registrato dati solo durante un breve periodo arbitrario, eppure l'algoritmo ha comunque recuperato l'intera storia del moto.

I risultati suggeriscono che questo schema di codifica spazio-temporale offre un quadro compatto e potente per comprendere la complessa dinamica dei fluidi. Sebbene il lavoro sia attualmente limitato a simulazioni e modelli monodimensionali, esso punta verso un futuro in cui i dispositivi quantistici potrebbero aiutare gli scienziati a visualizzare flussi invisibili in esperimenti del mondo reale. I ricercatori hanno osservato che il successo del metodo dipende fortemente dal design del circuito quantistico utilizzato per rappresentare la soluzione. Hanno utilizzato un design standard, adatto all'hardware, per i loro test, ma sospettano che adattare il circuito alla fisica specifica del problema potrebbe portare a prestazioni ancora migliori.

In definitiva, questo studio fornisce una prova di concetto del fatto che gli algoritmi quantistici possono essere utilizzati per risolvere problemi inversi nella meccanica dei fluidi, dove l'obiettivo è dedurre il tutto dal particolare. Combinando i vincoli delle leggi fisiche con misurazioni scarse, l'algoritmo può recuperare un'immagine globalmente coerente del movimento di un fluido. I ricercatori sottolineano che, sebbene il rumore nell'hardware quantistico reale e la complessità dell'ottimizzazione rimangano delle sfide, l'approccio apre una nuova porta per estrarre informazioni significative da dati limitati. Offre una strada promettente per campi che vanno dalla meteorologia all'imaging medico, dove vedere l'immagine completa da pochi indizi sparsi è essenziale.