⚛️ quantum physics

Quantum lattice Boltzmann method for several time steps: A local Carleman linearization algorithm

Dit artikel introduceert een nieuwe lokale Carleman-linearisatie-algoritme voor de quantum-rooster-Boltzmannmethode dat meerdere tijdstappen mogelijk maakt met een hogere succeskans en een schaalbaarheid van $O(\log_2^2(N)+Q^3)$ per tijdstap.

Oorspronkelijke auteurs: Antonio David Bastida Zamora, Ljubomir Budinski, Valtteri Lahtinen, Pierre Sagaut

Gepubliceerd 2026-03-16

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Antonio David Bastida Zamora, Ljubomir Budinski, Valtteri Lahtinen, Pierre Sagaut

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, ingewikkelde stad wilt simuleren. Je wilt precies weten hoe elke auto, elke windvlaag en elke stroom van mensen zich verplaatst. In de echte wereld doen supercomputers dit, maar zelfs die raken snel uitgeput als de stad te groot wordt. Dit is het probleem waar wetenschappers mee worstelen bij het simuleren van vloeistoffen (zoals lucht of water) met een methode die Lattice Boltzmann (LBM) heet.

Deze paper introduceert een nieuwe manier om dit te doen met een kwantumcomputer, en dat is als het overzetten van een fiets naar een raket. Maar er was een probleem: eerdere pogingen waren als een slecht vertaalde handleiding; ze waren te complex of leverden te vaak de verkeerde resultaten op.

Hier is wat deze auteurs hebben gedaan, vertaald in begrijpelijke taal:

1. Het Probleem: De "Niet-Lokale" Chaos

In de oude kwantummethoden voor deze simulaties was er een groot nadeel. Stel je voor dat je een spelletje speelt waarbij elke speler op het bord een regel moet volgen. In de oude methoden moest je voor elke speler apart naar de computer rennen om de regel te checken en aan te passen. Dit noemen ze "niet-lokaal".

Het gevolg: De computer werd snel moe (de "diepte" van de berekening groeide enorm) en de kans dat je de juiste uitkomst kreeg was zo klein als een naald in een hooiberg (ongeveer 1 op de 100.000).

2. De Oplossing: De "Carleman" Vertaalmanier

De auteurs gebruiken een wiskundige truc genaamd Carleman-linearisatie.

De Metafoor: Stel je voor dat je een ingewikkeld, niet-lineair verhaal (zoals een ruzie die escaleert) wilt vertalen naar een simpele, rechte lijn zodat een computer het makkelijk kan begrijpen. Carleman doet precies dit: het maakt een ingewikkeld verhaal lineair (rechtoe-rechtaan).
Het Nieuwe Trucje: De auteurs hebben een nieuwe manier bedacht om deze "vertaling" in de kwantumcomputer te programmeren. In plaats van dat elke speler apart gecontroleerd moet worden, hebben ze de regels zo opgezet dat elke speler op het bord tegelijkertijd dezelfde simpele regel krijgt. Dit maakt het proces "lokaal" en veel sneller.

3. De Grootte van de Winst

Schaalbaarheid: De oude methoden groeiden als een oncontroleerbare boom als de stad groter werd. De nieuwe methode groeit als een slimme ladder. Als je het aantal straten (lattice sites) verdubbelt, moet de computer niet veel harder werken.
Succeskans: Dit is misschien wel het belangrijkste. De oude methoden hadden een kans van 1 op 100.000 om het juiste antwoord te geven. De nieuwe methode heeft een kans van ongeveer 1 op 100.
- Vergelijking: Het is alsof je eerder 100.000 keer een munt moest opgooien om 1 keer "kop" te krijgen, en nu hoef je dat maar 100 keer te doen. Dat maakt het praktisch toepasbaar!

4. Hoe werkt het in de praktijk?

De auteurs hebben hun idee getest in een virtuele wereld (een simulatie op een klassieke computer die doet alsof het een kwantumcomputer is).

Ze lieten een "Taylor-Green vortex" zien (een mooi, draaiend patroon van vloeistof).
Ze lieten zien dat hun nieuwe kwantum-methode precies hetzelfde resultaat gaf als de klassieke methode, maar dan met hun slimme, snellere manier van rekenen.
Ze gebruikten een techniek genaamd "LCU" (Lineaire Combinatie van Unitaires). Dit is als het gebruiken van een magische dobbelsteen: je gooit de dobbelsteen, en als je geluk hebt (wat nu veel vaker gebeurt), krijg je het juiste antwoord.

Conclusie: Waarom is dit belangrijk?

Deze paper is een grote stap voorwaarts. Het is alsof ze een sleutel hebben gevonden die een deur opent die eerder dicht zat.

Vroeger: Kwantumcomputers voor vloeistofsimulaties waren te traag en gaven te vaak fouten.
Nu: Met deze nieuwe "lokale" code en de hogere kans op succes, kunnen we in de toekomst misschien echt complexe dingen simuleren, zoals hoe lucht over een vliegtuigvleugel stroomt of hoe bloed door aderen stroomt, veel sneller dan nu mogelijk is.

Kortom: Ze hebben de kwantumcomputer een betere "vertaalmanier" gegeven om vloeistoffen te begrijpen, waardoor het niet langer een droom is, maar een haalbare realiteit voor de toekomst.

Titel: Quantum Lattice Boltzmann-methode voor meerdere tijdstappen: Een lokaal Carleman-linearisatie-algoritme

Auteurs: Antonio David Bastida Zamora, Ljubomir Budinski, Valtteri Lahtinen en Pierre Sagaut.

1. Het Probleem

De Lattice Boltzmann-methode (LBM) is een krachtige numerieke techniek voor het simuleren van vloeistofstromen (CFD), maar vereist voor realistische, industriële toepassingen (zoals in de lucht- en ruimtevaart of automobielindustrie) een enorm groot aantal roosterpunten (lattice sites). Dit leidt tot hoge rekenkosten op klassieke computers.

Quantumcomputers bieden theoretisch een oplossing door gebruik te maken van superpositie, waarbij het aantal qubits schaalt als $O(\log N)$ in plaats van $O(N)$ . Echter, eerdere pogingen om LBM te implementeren op quantumcomputers (QLBM) stuitenten op ernstige beperkingen, vooral bij niet-lineaire problemen zoals de Navier-Stokes-vergelijkingen:

Niet-localiteit: Eerdere algoritmen (bijv. Sanavio & Succi) vereisten een botsingsoperator die niet lokaal was. Dit betekende dat elke roosterplek individueel moest worden bewerkt, wat leidde tot een diepte van de quantumcircuit die schaalt als $O(N^4)$ of $O(N^2)$ , waardoor het voor grote systemen onpraktisch werd.
Lage Succeskans: Andere benaderingen, zoals het gebruik van matrix-toegangsorakels, maakten de operatoren lokaal, maar verlaagden de waarschijnlijkheid om het juiste resultaat te meten tot extreem lage waarden (rond $10^{-5}$ per tijdstap), wat praktische toepassingen onmogelijk maakt.
Tijdstappen: Bestaande methoden waren vaak beperkt tot één tijdstap of vereisten complexe dynamische circuits die niet optimaal schaalden voor meerdere stappen.

2. Methodologie

De auteurs stellen een nieuw quantum-coderingsschema voor dat Carleman-linearisatie (CL) combineert met een lokale implementatie van de botsingsoperator.

Carleman-linearisatie: Deze techniek transformeert het niet-lineaire systeem van LBM-vergelijkingen in een oneindig lineair systeem door producten van verdelingsfuncties ( $f_i \cdot f_j$ ) te behandelen als nieuwe dynamische variabelen ( $g_{ij}$ ). In dit artikel wordt een tweede-orde benadering gebruikt.
Nieuwe Lokale Codering: Het kernpunt van dit artikel is een innovatieve codering van de kwantumtoestand. In plaats van twee onafhankelijke registers voor roosterpunten ( $x_1$ $x_{1}$ en $x_2$ $x_{2}$ ) die complex met elkaar verweven zijn, coderen de auteurs de tweede variabele relatief tot de eerste.
- Voor de lineaire termen ( $f$ ) wordt gebruikgemaakt van een register $|x_1\rangle$ .
- Voor de kwadratische termen ( $g$ ) wordt de toestand gecodeerd als $|x_1\rangle |x_2 - x_1\rangle$ .
- Hierdoor wordt de botsingsoperator lokaal: de operatoren hangen niet meer op een complexe manier af van de absolute positie van het tweede roosterpunt, maar kunnen lokaal worden toegepast op de registers. Dit elimineert de noodzaak voor niet-lokale CNOT-gates die de circuitdiepte explodeerden.
Unitaire Implementatie: Omdat de botsingsoperator niet unitair is, gebruiken de auteurs een Linear Combination of Unitaries (LCU) methode in combinatie met Singular Value Decomposition (SVD). Dit maakt het mogelijk om de operatie in een grotere Hilbertruimte uit te voeren met een succeskans die afhangt van de implementatie.
Algoritme Stappen:
1. State Preparation: Codering van de initiële verdeling.
2. Permutatie: Een verschuifoperatie (shift) die de relatieve codering van $g$ voorbereidt (afhankelijk van $x_1$ ).
3. Collision (Botsing): Toepassing van de lineaire operatoren $A$ , $B$ en $A \otimes A$ via LCU.
4. Propagation (Voortplanting): Verschuiving van de waarden over het rooster.
5. Measurement: Uitlezen van de macroscopische grootheden (dichtheid, snelheid).

3. Belangrijkste Bijdragen

Lokale Botsingsoperator: De auteurs hebben een codering ontwikkeld die de botsingsoperator lokaal maakt. Dit is een fundamenteel verschil met eerdere werken waar de diepte van de circuit exponentieel groeide met het aantal roosterpunten.
Verbeterde Succeskans: Door de lokale aard van de operatoren en de specifieke codering, stijgt de waarschijnlijkheid om het juiste resultaat te meten per tijdstap naar de orde van $10^{-2}$ . Dit is een aanzienlijke verbetering ten opzichte van de $10^{-5}$ van eerdere methoden met matrix-orakels.
Schaalbaarheid: Het algoritme schaalt per tijdstap als $O(\log^2_2(N) + Q^3)$ , waarbij $N$ het aantal roosterpunten is en $Q$ het aantal kanalen (richtingen). Dit is een drastische verbetering ten opzichte van de $O(N^4)$ van eerdere niet-lokale benaderingen.
Meerdere Tijdstappen: Het algoritme is ontworpen om meerdere tijdstappen achter elkaar uit te voeren zonder dat de complexiteit onbeheersbaar wordt, mits dynamische circuits worden gebruikt.

4. Resultaten en Validatie

De auteurs hebben het algoritme gevalideerd met een quantum-emulator (Qiskit) en klassieke simulaties:

Kleine Systemen: Voor kleine roosters ( $L_x = 2$ en $L_x = 4$ ) werd de nauwkeurigheid getest. De resultaten voor de lineaire termen ( $f$ ) lieten zeer lage relatieve fouten zien (< 5%). De kwadratische termen ( $g$ ) vertoonden hogere fouten, voornamelijk omdat hun amplitude veel kleiner is (factoren van $10^{-2}$ ), wat de meetfouten vergroot.
Macroscopische Grootheden: Wanneer de resultaten worden samengevoegd tot macroscopische grootheden (zoals totale dichtheid per roosterpunt), verbeteren de resultaten aanzienlijk omdat de totale waarschijnlijkheid per punt hoger is dan per kanaal.
Taylor-Green Vortex: Een simulatie van een Taylor-Green vortex (een standaardtest in CFD) werd uitgevoerd. De quantum-simulatie (via statevector) toonde een perfecte overeenkomst met de klassieke simulatie na 6 tijdstappen.
Beperkingen: De belangrijkste beperking blijft de lage absolute kans van succes ( $10^{-2}$ ), wat betekent dat er veel "shots" (herhalingen van de meting) nodig zijn om statistisch significante resultaten te krijgen. Voor grotere systemen ( $L_x=32$ ) werd de validatie klassiek uitgevoerd met dezelfde operator, wat de geldigheid van de linearisatie bevestigde.

5. Betekenis en Conclusie

Dit artikel is een belangrijke stap in de richting van een praktisch toepasbaar quantum-algoritme voor vloeistofdynamica.

Het lost het probleem van niet-localiteit op, wat de schaalbaarheid van QLBM voor grote systemen mogelijk maakt.
Het verbetert de meet-efficiëntie aanzienlijk, waardoor het algoritme minder gevoelig is voor de beperkingen van huidige quantumhardware (zoals ruis en het aantal shots).
Hoewel er nog uitdagingen zijn (zoals de noodzaak van veel shots en de complexiteit van het coderen van de unitaire operatoren), bewijst dit werk dat een kwantumvoordeel haalbaar is voor LBM met meerdere tijdstappen, vooral voor problemen met een laag Reynolds-getal waar Carleman-linearisatie goed convergeert.

De auteurs concluderen dat hun methode een robuust fundament legt voor toekomstige QLBM-toepassingen in de industrie, mits de hardware zich ontwikkelt om de vereiste diepte en het aantal shots te hanteren.