A review of quantum machine learning and quantum-inspired applied methods to computational fluid dynamics

Deze review bespreekt de voortgang van kwantum- en kwantum-geïnspireerde methoden, zoals variatiele kwantumalgoritmes en tensornetwerken, voor het oplossen van de schaalproblemen in computationele stromingsdynamica, waarbij wordt geconcludeerd dat hoewel echte kwantumcomputers nog niet klaar zijn voor deze toepassing, kwantum-geïnspireerde technieken al praktische voordelen bieden.

De kern

De Strijd tegen de "Reken-Explosie": Hoe Quantum-ideeën de Stroom van Fluida Begrijpen

Stel je voor dat je een enorme, chaotische rivier wilt simuleren op je computer. Je wilt precies weten hoe het water stroomt, waar de draaikolken ontstaan en hoe de wind erdoorheen waait. Dit noemen we CFD (Computational Fluid Dynamics). Het is essentieel voor het ontwerpen van vliegtuigen, auto's en zelfs voor het voorspellen van het weer.

Het probleem? De natuur is extreem complex. Om deze rivier nauwkeurig te simuleren, moet je de computer een gigantisch aantal kleine stukjes (roosters) laten berekenen. De hoeveelheid rekenwerk groeit zo snel dat het voor normale computers onmogelijk wordt. Het is alsof je probeert elke druppel water in de Atlantische Oceaan te tellen; je computer zou van de hitte smelten voordat je klaar bent.

De auteurs van dit artikel kijken naar een nieuwe oplossing: Quantum Computing en Quantum-geïnspireerde methoden. Ze vragen zich af: "Kunnen we de slimme trucjes van quantumfysica gebruiken om deze enorme rekenproblemen op te lossen?"

Hier is hoe ze dat doen, vertaald naar alledaagse taal:

1. De Quantum-Computer als een Magische Koffer

Normale computers werken met bits (0 of 1). Een quantumcomputer werkt met qubits. Het speciale aan qubits is dat ze, dankzij een fenomeen genaamd superpositie, veel meer informatie tegelijk kunnen bevatten.

• De Analogie: Stel je een gewone computer voor als een sleutel die je één voor één in een slot probeert te steken om een deur te openen. Een quantumcomputer is als een sleutelbos dat alle sleutels tegelijk in alle sloten probeert.
• Toepassing: In de stroming van vloeistoffen zijn er enorm veel variabelen. Een quantumcomputer kan deze complexe patronen (zoals turbulentie) in één keer "zien" in plaats van ze stukje bij beetje te berekenen.

2. De "Hybride" Drie-Handen-Oplossing (VQA's)

We hebben nog geen perfecte, foutloze quantumcomputers. De huidige machines zijn "luidruchtig" en maken fouten. Daarom gebruiken de auteurs een Variational Quantum Algorithm (VQA).

• De Analogie: Denk aan een tandemfiets.
  • De quantumcomputer is de passagier die een heel moeilijk landschap (de oplossing van de vergelijking) bekijkt en een ruwe schets maakt.
  • De klassieke computer is de fietser die stuur en trapt. Hij kijkt naar de schets, zegt: "Nee, dat is nog niet goed, draai het wiel een beetje naar links," en stuurt de opdracht terug.
  • Samen vinden ze de snelste route naar de oplossing. De quantumcomputer doet het zware "ruwe werk" en de klassieke computer zorgt voor de precisie.

3. De "Quantum-Neural Netwerken" (De Slimme Leerlingen)

In de wereld van kunstmatige intelligentie (AI) gebruiken we "Neural Networks" om patronen te leren. De auteurs kijken naar Quantum Neural Networks (QNN).

• De Analogie: Een gewone AI is als een leerling die duizenden pagina's tekst moet lezen om een taal te leren. Een Quantum AI is als een genie dat in één oogopslag de essentie van de taal begrijpt.
• Het Resultaat: Het artikel laat zien dat deze quantum-AI's soms net zo goed presteren als de klassieke versies, maar dan met veel minder parameters (minder geheugen en minder rekenkracht nodig). Het is alsof je een boek kunt samenvatten in één zin zonder de betekenis te verliezen.

4. De "Quantum-Geïnspireerde" Truc: Tensor Netwerken (De Kunst van het Opvouwen)

Dit is misschien wel het meest praktische deel van het artikel. Je hoeft geen quantumcomputer te hebben om deze methode te gebruiken. Het is een wiskundige techniek die geïnspireerd is op quantumfysica, maar draait op gewone computers.

• De Analogie: Stel je een gigantische, opgeblazen ballon voor (de volledige simulatie). Die is zwaar en lastig om te verplaatsen.
  • De Tensor Network-methode is als het opvouwen van die ballon tot een strakke, platte doos. Je haalt de lucht eruit (de overbodige informatie), maar de vorm (de belangrijke stroming) blijft behouden.
  • In plaats van elke druppel water te berekenen, bereken je alleen de "belangrijke verbindingen" tussen de druppels.
• Het Resultaat: De auteurs tonen aan dat deze methode de rekenkracht en het geheugen met miljoenen keren kan reduceren. Het is alsof je een hele stad in een postzegel past, maar je kunt de stad nog steeds volledig navigeren.

5. Wat is de Conclusie? (De Toekomst)

Het artikel trekt een duidelijke lijn tussen dromen en realiteit:

• De Droom: Een volledig quantumcomputer die direct de stroming van een vliegtuig simuleert.
  • Realiteit: Dit is nog te ver weg. De huidige quantumcomputers zijn nog te onstabiel ("luidruchtig") voor zulke enorme taken.
• De Realiteit (Nu): De Tensor Netwerken (de "opvouwbare ballon") werken al! Ze worden nu al gebruikt om complexe stromingsproblemen op te lossen die voorheen onmogelijk waren.
• De Beste Strategie: De "Hybride" aanpak. Gebruik de slimme wiskundige trucjes van de quantumwereld (Tensor Netwerken) op krachtige gewone computers (zoals GPU's) om nu al enorme winst te boeken.

Samenvattend

Dit artikel is een brug tussen de futuristische wereld van quantumcomputers en de harde realiteit van ingenieurswerk. Het zegt: "We kunnen nog niet met magische quantumcomputers vliegen, maar we kunnen wel de slimme wiskundige trucs van die quantumwereld gebruiken om onze huidige computers superkrachtig te maken."

Het is alsof we nog geen vliegende auto hebben, maar we hebben wel ontdekt hoe we een fiets zo kunnen bouwen dat hij net zo snel is als een auto. En dat is al een enorme stap voorwaarts voor de toekomst van vliegtuigen, auto's en klimaatonderzoek.

Technische samenvatting

Titel: Een overzicht van quantum machine learning en quantum-geïnspireerde methoden toegepast op Computational Fluid Dynamics (CFD)

Auteurs: Cesar A. Amaral, Vinícius L. Oliveira, Juan P. L. C. Salazar en Eduardo I. Duzzioni.

---

1. Het Probleem: Schaalbaarheid in CFD

Computational Fluid Dynamics (CFD) is essentieel voor wetenschap en engineering, maar staat voor ernstige uitdagingen op het gebied van schaalbaarheid, vooral bij het simuleren van turbulente stromingen, meervoudige schalen en hoge dimensies.

• De "Fluch van de Dimensie": Traditionele numerieke methoden (zoals Finite Volume Method - FVM, Finite Element Method - FEM, en Finite Difference Method - FDM) vereisen een exponentiële toename van rekenkracht en geheugen om fijne discretisaties van ruimte en tijd te hanteren. Voor turbulente stromingen schalen de benodigde gridpunten bijvoorbeeld met $Re^{9/4}$ (waarbij $Re$ het Reynoldsgetal is).
• Beperkingen van klassieke methoden: De niet-lineariteit en de koppeling van fysieke variabelen maken analytische oplossingen onmogelijk, waardoor numerieke benaderingen nodig zijn die vaak prohibitief duur worden voor complexe problemen.
• Doel: Het artikel onderzoekt of quantum computing en quantum-geïnspireerde methoden (zoals Tensor Networks) deze schaalbaarheidsproblemen kunnen oplossen.

2. Methodologie

De auteurs bespreken drie hoofdrichtingen die de grens tussen quantum computing, machine learning en CFD verkennen:

A. Variational Quantum Algorithms (VQA's)

VQA's zijn hybride quantum-klassieke optimalisatiealgoritmen die geschikt zijn voor de huidige "Noisy Intermediate-Scale Quantum" (NISQ) era.

• Werking: Een parametrisch quantum circuit (ansatz) bereidt een quantum toestand voor. Een klassieke optimizer (bijv. gradient descent) past de parameters aan om een kostenfunctie te minimaliseren.
• Toepassing op PDE's: De oplossing van partiële differentiaalvergelijkingen (PDE's) wordt geformuleerd als het minimaliseren van een kostenfunctie (bijv. het residu van de vergelijking).
• Quantum Nonlinear Processing Unit (QNPU): Een cruciale innovatie is de QNPU. Omdat quantum circuits lineair (unitair) zijn, maar stromingsproblemen niet-lineair zijn, gebruikt de QNPU ancilla-qubits en gecontroleerde operaties om niet-lineaire termen (zoals producten van velden) te evalueren zonder de volledige quantum toestand te hoeven reconstrueren.
• Encoding: Er wordt gebruik gemaakt van amplitude encoding of multigrid encoding (geïnspireerd op Matrix Product States) om de ruimtelijke discretisatie efficiënt in qubits te coderen.

B. Quantum Physics-Informed Neural Networks (QPINN's)

Dit is een uitbreiding van klassieke Physics-Informed Neural Networks (PINN's), waarbij fysieke wetten direct in de verliesfunctie worden geïntegreerd.

• Architectuur: QPINN's vervangen klassieke neurale netwerklagen door Quantum Neural Networks (QNN's). Deze bestaan uit parametrische quantum circuits met data-encoding (bijv. hoek-encoding) en variational layers.
• Hybride benadering (HQPINN): In veel recente studies wordt een hybride structuur gebruikt waarbij klassieke lagen (MLP's) worden gecombineerd met quantum lagen. Dit combineert de niet-lineariteit van klassieke netwerken met de parameter-efficiëntie van quantum circuits.
• Voordeel: QNN's kunnen complexe functies benaderen met aanzienlijk minder parameters dan klassieke netwerken, wat het trainen op beperkte hardware vergemakkelijkt.

C. Quantum-Geïnspireerde Algoritmen: Tensor Networks (TN)

Dit is de meest praktische en direct toepasbare methode in de huidige fase. Tensor Networks (oorspronkelijk ontwikkeld voor quantum veel-deeltjessystemen) worden gebruikt om hoge-dimensionale data te comprimeren.

• Concept: In plaats van een volledige tensor (die exponentieel groot is) op te slaan, wordt deze ontbonden in een netwerk van lage-rang tensoren (bijv. Matrix Product States - MPS).
• Implementatie in CFD:
  • Discretisatie: De stromingsvelden worden gemapt naar een hoge-dimensionale tensor.
  • Tensorisatie: De tensor wordt ontbonden in een MPS (voor toestanden) en MPO (Matrix Product Operators, voor differentiaaloperatoren).
  • Tijds-evolutie: De oplossing wordt geavanceerd door MPO's toe te passen op de MPS, gevolgd door SVD-truncatie om de bond-dimensie (complexiteit) beheersbaar te houden.
  • Decoding: De gecomprimeerde oplossing wordt lokaal of globaal teruggezet naar een klassiek veld.
• Voordeel: Deze methode vereist geen echte quantum hardware en kan op klassieke supercomputers (met GPU-acceleratie) worden uitgevoerd, maar levert toch quantum-achtige compressie op.

3. Belangrijkste Resultaten

Het artikel presenteert zowel theoretische kaders als numerieke benchmarks:

• VQA's en QNPU: Bewijzen dat niet-lineaire PDE's (zoals de Burgers-vergelijking) kunnen worden opgelost met quantum circuits. De QNPU maakt het mogelijk om kostenfuncties direct te meten via ancilla-qubits.
• QPINN's:
  • Studies tonen aan dat QPINN's en HQPINN's in staat zijn om oplossingen te vinden voor de Burgers-vergelijking en Navier-Stokes vergelijkingen.
  • Parameter-efficiëntie: Een HQPINN kon een vergelijkbare nauwkeurigheid bereiken als een klassiek PINN met 50% tot 90% minder parameters (bijv. 1456 parameters vs. 3441 voor een klassiek model).
  • Nauwkeurigheid: In sommige gevallen (zoals harmonische stromingen) presteren ze beter of gelijk aan klassieke modellen, maar bij complexe, sterk niet-harmonische stromingen blijven klassieke modellen soms superieur, mede door de overhead van quantum-emulatie.
• Tensor Networks (TN):
  • Extreme compressie: TN-methoden tonen prestaties die klassieke methoden ver overtreffen. Er worden rapporten geciteerd van $10^3$ tot $10^6$ keer minder geheugengebruik en $10^3$ tot $10^6$ keer snellere runtime vergeleken met dichte solvers (FDM/FEM).
  • Toepassingen: Succesvolle toepassing op 5+1 dimensionale vergelijkingen voor chemisch reactieve turbulente stromingen en 3D stromingen in T-mixers.
  • Burgers-vergelijking: Een demonstratie toont aan dat zelfs met een lage bond-dimensie ($\chi$), de kwalitatieve vorm van de oplossing behouden blijft, hoewel er een afweging is tussen snelheid en precisie.

4. Bijdragen en Significance

• Overzicht en Introductie: Het artikel dient als een toegankelijke introductie tot de snelle groeiende velden van quantum CFD en biedt open source code voor de besproken methoden.
• Pragmatische Visie: De auteurs benadrukken dat volledig quantum CFD (op echte quantum hardware) nog niet haalbaar is in de NISQ-era vanwege ruis en beperkt aantal qubits.
• De Rol van Tensor Networks: De belangrijkste conclusie is dat quantum-geïnspireerde methoden (Tensor Networks) op dit moment de meest veelbelovende en praktische strategie zijn. Ze bieden de voordelen van quantum-compressie zonder de hardware-beperkingen van echte quantum computers.
• Hybride Toekomst: De toekomst ligt in hybride benaderingen:
  1. Het gebruik van TN's op klassieke hardware voor directe CFD-oplossingen.
  2. Het gebruik van TN's als pre-processing stap om grote CFD-problemen te comprimeren voordat ze naar een quantum processor worden gestuurd.
  3. Het gebruik van TN's om quantum algoritmen (zoals VQA's) te simuleren op klassieke hardware voor onderzoek en ontwikkeling.

Conclusie: Hoewel quantum computing op lange termijn de potentie heeft om de "curse of dimensionality" in CFD fundamenteel op te lossen, bieden quantum-geïnspireerde technieken zoals Tensor Networks nu al een revolutionaire verbetering in efficiëntie en schaalbaarheid voor complexe stromingsproblemen.