⚛️ quantum physics

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

Dit artikel presenteert een schaalbare kwantummethodologie voor het oplossen van de Carleman-gelineariseerde Burgers-vergelijking door een lineaire combinatie van niet-unitaire operatoren voor state loading te combineren met een multigridding variational quantum linear solver om barren plateaus te overwinnen, en succesvolle demonstraties op echte en gesimuleerde hardware die circuits ondersteunen die tot $2^{80}$ discretisatiepunten representeren.

Oorspronkelijke auteurs: Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

Gepubliceerd 2026-07-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

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 robot probeert te leren hoe een druppel inkt wervelt en mengt in een glas water. Het probleem? De robot is gebouwd om strikte, rechte regels te volgen (het is een "lineaire" machine), maar wervelende inkt volgt rommelige, kromme, onvoorspelbare regels (het is "niet-lineair"). Het is alsoos proberen een hond calculus te leren door hem alleen te laten zien hoe hij een stok moet halen.

Dat is de grote hindernis waar wetenschappers voor staan wanneer ze kwantumcomputers willen gebruiken om de vloeistofdynamica te simuleren. Maar in dit onderzoek ontdekten onderzoekers van het U.S. Naval Research Laboratory en BlueQubit Inc. een slimme omweg om de robot de draai te laten begrijpen. Ze probeerden de robot niet de rommelige wiskunde direct te laten doen; in plaats daarvan gebruikten ze een truc genaamd Carleman-linearisatie.

Zie deze truc als het vertalen van een complex, chaotisch verhaal naar een gigantische, saaie spreadsheet. Door het verhaal uit te breiden, veranderden ze de rommelige, kromme vergelijkingen van de Burgers-vergelijking (een beroemd model voor vloeistofstroming) in een massief systeem van lineaire vergelijkingen. Zodra het probleem op de spreadsheet stond, konden ze bestaande kwantumtools gebruiken die ontworpen zijn voor rechte lijnen om het op te lossen.

Het "Loading"-probleem en de Magische Sleutel
De eerste uitdaging was om deze gigantische spreadsheet op de kwantumcomputer te krijgen. Normaal gesproken duurt het laden van een enorme hoeveelheid gegevens eeuwig, zoals het proberen te uploaden van een hele bibliotheek naar een telefoon in één seconde. Het team gebruikte een nieuwe methode genaamd Linear Combination of Non-Unitaries (LCNU).

Stel je voor dat je een vergrendelde doos (de data) hebt en een set sleutels. Oude methoden probeerden een meestersleutel te maken van een miljoen kleine stukjes, wat traag en onhandig was. De nieuwe LCNU-methode is als het hebben van een paar speciale, licht vreemde sleutels (niet-unitaries) die gemakkelijk kunnen worden omgezet in perfecte sleutels met slechts één extra helper (een extra qubit). Dit stelde hen in staat om de data efficiënt te laden, ongeacht hoe groot het rooster van de vloeistofpunten werd.

De "Barren Plateau" Val en de Warm Start
Zodra de data geladen was, moesten ze de vergelijkingen oplossen met een methode genaamd de Variational Quantum Linear Solver (VQLS). Maar hier komt de adder onder het vlees: als je gewoon willekeurig begint met gokken, raakt de computer verdwaald in een uitgestrekte, vlakke woestijn genaand een "barren plateau". Het is alsof je in het donker probeert de bodem van een gigantische, platte kom te vinden; je kunt kilometers lopen en nooit weten of je dichter bij de oplossing komt.

Om dit op te lossen, gebruikte het team een multigridding-strategie. In plaats van te beginnen met het volledige, high-definition puzzelstuk, begonnen ze met een kleine, wazige versie (een grof raster). Ze losten die op, en gebruikten dat antwoord vervolgens als een "warm start" (een nuttige hint) om een iets grotere versie op te lossen, en daarna een nog grotere versie. Het is als het leren fietsen: je begint met zijwieltjes, dan een kleine fiets, en dan een grote fiets. Tegen de tijd dat ze de volledige resolutie bereikten, was de computer niet meer verdwaald in de woestijn; de computer was al op het juiste pad.

De Resultaten: Simulaties en Echte Hardware
Het team testte deze workflow op twee manieren:

Simulaties: Ze draalden het hele proces op een krachtige computersimulator. Ze ontdekten dat de "warm start" multigridding-methode een gamechanger was. Een naïeve, willekeurige start kreeg slechts ongeveer 1% nauwkeurigheid (convergerend naar $10^{-2}$ ), maar de multigridding-methode kwam uit op 0,1% nauwkeurigheid ( $10^{-3}$ ). De vloeistofgolven vervaagden niet zomaan; ze bewogen en gedroegen zich daadwerkelijk als echt water.
Echte Hardware: Vervolgens draalden ze een kleinere versie van het probleem op echte kwantumcomputers van IBM (specifiek de Heron r3 en Nighthawk processors). Zelfs met de ruisige, glitchy aard van de huidige machines, slaagden ze erin een oplossing te vinden. Ze gebruikten een slimme manier om hun "shots" (het aantal keren dat ze het experiment uitvoerden) te verdelen, zodat de belangrijkste delen van de wiskunde meer aandacht kregen. De resultaten lieten zien dat hoewel de machines fouten maakten, de methode nog steeds werkte, waarbij de ibm_boston processor het beste presteerde.

Kijkend naar de Toekomst: Is de Toekomst Beloftevol?
De onderzoekers stopten niet bij de huidige resultaten; ze deden een "resource estimation" om te zien of dit in de toekomst ook voor enorme, echte problemen zou kunnen werken. Ze rekenden de cijfers door voor kwantumcomputers met tot wel $2^{40}$ (ongeveer 1024) gecombineerde ruimtelijke en temporele punten.

Hun berekeningen suggereren dat met toekomstige hardware die minder ruisig en sneller is, deze aanpak daadwerkelijk sneller kan zijn dan klassieke supercomputers voor dit soort problemen. Ze schatten dat op toekomstige IBM-processors het slechts ongeveer $10^2$ uur (een paar dagen) zou kunnen duren om het punt van "kwantumvoordeel" te bereiken, waarbij de kwantumcomputer de beste klassieke methoden verslaat.

De paper is echter voorzichtig om te benadrukken dat dit een proof of concept is en een suggestie voor de toekomst, en geen afgewerkt product. Er zijn nog steeds grote hindernissen:

Ruis: De huidige kwantumcomputers zijn nog te ruisig voor de grootste problemen.
Truncatie: Ze gebruikten een minimale "truncatie-orde" van $\alpha = 2$ . Hoewel dit werkte voor hun test, kunnen complexere, turbulente stromingen een hogere orde vereisen, wat het systeem exponentieel groter en moeilijker op te lossen maakt.
Conditionering: De wiskunde achter de schermen kan "ill-conditioned" zijn, wat betekent dat kleine fouten kunnen uitgroeien tot enorme fouten, wat speciale "preconditioning"-technieken vereist die nog in ontwikkeling zijn.

Kortom, het team heeft een werkend prototype gebouwd van een brug tussen de rommelige wereld van vloeistoffen en de rechte wereld van kwantumcomputers. Ze hebben aangetoond dat het mogelijk is om de rivier over te steken, maar de brug is nog in aanbouw en ze hebben betere materialen nodig (minder ruisige hardware) om het zware verkeer van echte stormen te kunnen weerstaan.

Technische Samenvatting: Een Schaalbare Aanpak voor het Oplossen van de Carleman-gelineariseerde Burgers-vergelijking op een Quantumcomputer

Probleemstelling
Het simuleren van vloeistofdynamica op quantumcomputers vormt een fundamentele uitdaging: quantumcomputers zijn inherent lineaire machines, terwijl vloeistofdynamica wordt beheerst door niet-lineaire partiële differentiaalvergelijkingen (PDE's), zoals de Burgers-vergelijking. Om deze kloof te overbruggen, wordt de Carleman-linearisatiemethode toegepast om einddimensionale niet-lineaire gewone differentiaalvergelijkingen (ODE's) te transformeren naar oneindig-dimensionale lineaire ODE's, die vervolgens worden afgekapt tot eindige lineaire systemen. Het oplossen van deze systemen op quantumhardware staat echter voor twee primaire obstakels:

Efficiëntie van Datalading: De resulterende matrices van de lineaire systemen schalen exponentieel met het aantal ruimtelijke en temporele discretisatiepunten. Het efficiënt laden van deze matrices op quantumhardware met slechts polylogaritmische klassieke middelen is niet triviaal, vooral omdat standaard Linear Combination of Unitaries (LCU)-benaderingen kampen met slechte schaling.
Optimalisatiebarrières: Variational Quantum Linear Solvers (VQLS), hoewel in staat om grote systemen aan te kunnen, zijn gevoelig voor het "barren plateau"-fenomeen, waarbij gradiëntgebaseerde optimalisatie faalt om te convergeren vanwege exponentieel grote zoekruimtes en willekeurige initialisatie.

Methodologie
De auteurs stellen een uitgebreide workflow voor om deze uitdagingen aan te pakken, gedemonstreerd op de 1D Burgers-vergelijking met periodieke randvoorwaarden.

Linearisatie en Zero-Padding: De Burgers-vergelijking wordt gediscretiseerd en getransformeerd via Carleman-linearisatie tot een lineair systeem $L\vec{Y} = \vec{B}$ . Om efficiënte decompositie te faciliteren, gebruiken de auteurs een zero-padding-strategie, waarbij het systeem wordt ingebed in een grotere dimensieruimte. Dit maakt het mogelijk de matrix te decomponeren in een lineaire combinatie van specifieke niet-unitaire matrices die triviaal kunnen worden gecodeerd in unitaire matrices met minimale overhead.
Efficiënte Datalading (LCNU): In plaats van de standaard LCU-aanpak gebruikt de studie de Linear Combination of Non-Unitaries (LCNU). De auteurs leiden een decompositie af voor de Carleman-gelineariseerde matrix waarbij het aantal termen onafhankelijk is van de ruimtelijke en temporele discretisatiepunten. Specifiek wordt de matrix gedecomposeerd in $N_s = \frac{1}{2}(9\alpha^2 + \alpha + 8)$ termen, waarbij $\alpha$ de afkortingsorde is. Deze decompositie berust op incrementer/decrementer-circuits en specifieke Pauli-operatorstructuren, wat garandeert dat de dataladingsstrategie polylogarithmisch schaalt.
Variational Solver met Multigridding: Het lineaire systeem wordt opgelost met de Variational Quantum Linear Solver (VQLS). Om het barren plateau-probleem te mitigeren, wordt een multigridding-strategie geïntroduceerd. Het probleem wordt opgelost in een reeks stadia, beginnend met grove ruimtelijke en temporele discretisaties. De oplossing (variatieparameters) van een grover fase wordt gebruikt als een "warm start" voor de volgende fijnere fase. Deze systematische initialisatie verbetert de convergentiesnelheden aanzienlijk vergeleken met naïeve willekeurige initialisatie.
Shot Allocation: Er is een efficiënte shot allocation-methode ontwikkeld om een vast totaal aantal shots te verdelen over de verschillende circuits die nodig zijn voor de evaluatie van de kostenfunctie. Door de variantie van de kostenfunctie te minimaliseren, worden meer shots toegewezen aan termen met grotere coëfficiënten, wat de nauwkeurigheid voor de meest significante bijdragen optimaliseert.

Belangrijkste Bijdragen
Het artikel schetst vijf primaire bijdragen:

Verbeterde Datalading: Een strategie voor de 1D Carleman-gelineariseerde Burgers-vergelijking waarbij het aantal termen in de LCNU-decompositie onafhankelijk is van de discretisatiegridgrootte.
Multigridding-strategie: Een ruimtelijke en temporele multigridding-aanpak voor het Carleman-gelineariseerde systeem die systematische warm starts biedt om barren plateaus te vermijden.
Shot Allocation: Een methode om shots te verdelen op basis van coëfficiënt-magnitudes om de nauwkeurigheid te maximaliseren voor een vast computationeel budget.
Proof of Concept: Demonstratie van de workflow op zowel quantumsimulatoren als echte quantumhardware (IBM Heron r3 en Nighthawk processors).
Resource Estimatie: Een haalbaarheidsstudie van het transpileren van circuits tot $2^{40}$ gecombineerde ruimtelijke en temporele punten, wat suggereert dat de methodologie efficiënt schaalt voor toekomstige hardware.

Resultaten

Simulatie: Op een quantumsimulator liet de multigridding-aanpak de kostenfunctie convergeren naar ongeveer $10^{-3}$ , terwijl een naïeve aanpak met willekeurige initialisatie slechts $10^{-2}$ bereikte. De multigridding-oplossing slaagde erin de essentiële fysica (golfdemping en niet-lineaire advectie) succesvol te vangen, terwijl de naïeve oplossing excessieve demping vertoonde en het nietت kon vangen van niet-lineair transport.
Echte Hardware: De workflow werd uitgevoerd op IBM quantumprocessors (ibm_pittsburgh, ibm_boston, ibm_miami) voor één optimalisatie-iteratie van een multigridding-fase ( $2^3$ $2^{3}$ ruimtelijke, $2^2$ $2^{2}$ temporele punten).
- De Nighthawk-processor (vierkant rooster) leverde minder diepe circuits voor de embedding-circuits dan de Heron r3 (heavy-hex rooster).
- Het gebruik van de Estimator primitive met foutmitigatie (resilience level 2) op ibm_boston reduceerde de 2-norm fout van de kostenfunctie-variabelen tot 0,27, vergeleken met fouten variërend van 1,33 tot 2,92 voor ongemitigeerde Sampler runs.
- De studie bevestigde dat, ondanks de huidige ruisniveaus, nauwkeurige oplossingen haalbaar zijn voor kleinschalige instanties.
Schaalbaarheid: Resource-estimatie suggereert dat, met toekomstige verbeteringen in coherentietijden en gate-fideliteiten, de voorgestelde methode een quantumvoordeel kan behalen voor problemen met een exponentieel groot aantal discretisatiepunten (bijv. $2^{40}$ punten) met het gebruik van ongeveer $O(10^2)$ qubits en uitvoeringstijden in de orde van grootte van $O(10^2)$ uur op toegewijde systemen.

Significantie en Claims
Het artikel beweert een haalbare workflow te presenteren voor het oplossen van niet-lineaire PDE's op quantumcomputers die goed presteert binnen de huidige computationele limieten. De auteurs benadrukken dat hun methodologie een pad biedt naar het opschalen naar een exponentieel groot aantal ruimtelijke en temporele discretisatiepunten, mits de hardware-decoherentie verbetert.

De auteurs hanteren een bescheiden toon met betrekking tot toekomstige implicaties en vermelden expliciet enkele kanttekeningen:

De huidige afkortingsorde ( $\alpha=2$ ) is het minimum vereist; hogere orden die nodig zijn voor complexe stromingen (turbulentie) kunnen leiden tot divergentie in fouten of exponentiële groei in systeemgrootte.
De slechte conditionering van de Carleman-gelineariseerde matrix voor grote systemen zal waarschijnlijk quantum-preconditionering vereisen, wat een gebied is van voortdurend onderzoek.
De effectiviteit van de multigridding-methode op exponentieel grote systemen is nog niet empirisch aangetoond vanwege de huidige hardware-ruisbeperkingen.
Toestandspreparatie voor initiële condities en efficiënte uitlezing van de uiteindelijke oplossing blijven significante uitdagingen.

Uiteindelijk dient dit werk als een proof-of-concept dat efficiënte datalading, variationele optimalisatiestrategieën en foutmitigatie combineert om een niet-lineair vloeistofdynamica-probleem op te lossen, wat suggereert dat een quantumvoordeel theoretisch mogelijk is zodra de hardwarebeperkingen worden weggenomen.

Technische Samenvatting: Een Schaalbare Aanpak voor het Oplossen van de Carleman-gelineariseerde Burgers-vergelijking op een Quantumcomputer

Meer zoals dit