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

Stel je voor dat je probeert de stroming van een rivier te begrijpen door alleen naar een handvol drijvende bladeren te kijken. Je kunt zien waar die specifieke bladeren zich op elk gegeven moment bevinden, maar het water tussen hen, de wervelingen die in de gaten ontstaan en de stromingen die stroomopwaarts bewegen, blijven een mysterie. Dit is de dagelijkse realiteit voor wetenschappers die de vloeistofdynamica bestuderen, van weerpatronen tot de bloedstroom in slagaders. Ze hebben vaak toegang tot slechts een paar sensoren verspreid over een groot gebied, terwijl ze de snelheid en richting van de vloeistof op elk punt in de ruimte en tijd moeten weten. Het reconstrueren van het volledige beeld uit dergelijke schaarse aanwijzingen is een berucht moeilijk puzzelstuk, omdat de regels die bepalen hoe vloeistoffen bewegen complex zijn en snel veranderen.

Decennialang hebben onderzoekers vertrouwd op krachtige klassieke computers om deze gaten op te vullen, met behulp van wiskundige modellen die de fysica van de stroming simuleren. Echter, naarmate de behoefte aan een hogere resolutie groeit, worden deze simulaties extreem duur en traag. Een nieuwe benadering is ontstaan op het snijvlak van natuurkunde en quantumcomputing, die een andere manier biedt om dit probleem aan te pakken. In plaats van te proberen het gedrag van de vloeistof stap voor stap te berekenen, bewegend in de tijd als een film die frame voor frame wordt afgespeeld, probeert deze nieuwe methode de volledige geschiedenis van de stroming in één keer op te lossen. Het behandelt de snelheid van de vloeistof over ruimte en tijd als één enkel, verenigd object. Door deze enorme hoeveelheid informatie te coderen in een quantumtoestand, kunnen onderzoekers de unieke eigenschappen van de quantummechanica gebruiken om de oplossing efficiënter te vinden.

In een recente studie heeft een team onderzoekers van Florida State University een nieuwe manier voorgesteld om deze vloeistofvelociteitsvelden te reconstrueren met behulp van een variationeel quantumalgoritme. Hun doel was om de beperkte gegevens van een paar sensoren, gecombineerd met de bekende natuurwetten, te gebruiken om de volledige kaart van hoe de vloeistof beweegt te reconstrueren. Ze richtten zich op twee specifieke wiskundige modellen die het gedrag van vloeistoffen beschrijven: de Burgers-vergelijking, die vastlegt hoe golven steiler worden en breken, en de Kuramoto–Sivashinsky-vergelijking, die meer chaotische en turbulente patronen beschrijft. Deze vergelijkingen staan erom bekend moeilijk op te lossen te zijn omdat ze sterke niet-lineaire interacties bevatten, wat betekent dat kleine veranderingen kunnen leiden tot totaal verschillende uitkomsten.

De onderzoekers ontwikkelden een strategie die de volledige oplossing — elk punt in de ruimte en elk moment in de tijd — codeert in een enkele quantumtoestand. Denk aan deze toestand als een complexe, multidimensionale container die het antwoord bevat. In plaats van deze container seconde per seconde bij te werken, past het algoritme de instellingen van de quantumcomputer in één keer aan om de configuratie te vinden die het beste past bij zowel de sensordata als de natuurwetten. De computer wordt geleid door een kostenfunctie, een soort scorekaart die de oplossing bestraft als deze niet overeenkomt met de sensorgegevens of als deze de natuurkundige vergelijkingen schendt. Het algoritme past de quantuminstellingen iteratief aan om deze score te verlagen, totdat het convergeert naar een oplossing die beide beperkingen simultaan voldoet.

Om hun idee te testen, voerden de onderzoekers numerieke simulaties uit op een klassieke computer die de werking van een echte quantumdevice nabootste. Ze stelden scenario's op waarbij sensoren geplaatst waren op slechts een klein deel van de mogelijke locaties — soms slechts twee of drie punten uit tientallen — wat niet meer dan 25 procent van het ruimtelijke rooster besloeg. Ondanks dit extreme gebrek aan data, slaagde het algoritme erin de volledige snelheidstoestand te reconstrueren. In de simulaties kwam de gereconstrueerde stroming met een hoge mate van nauwkeurigheid overeen met de bekende "ware" stroming, waarbij vaak fouten zo klein waren als één honderdste van de magnitude van de stroming. Dit niveau van precisie werd bereikt, zelfs wanneer de vloeistof zich in een regime met lage viscositeit bevond, waar de stroming scherp en turbulent wordt, een conditie die reconstructie normaal gesproken zeer moeilijk maakt.

De studie vergeleek twee verschillende manieren om de vloeistof op de quantumcomputer te representeren. De eerste benadering, de real-space methode genoemd, bracht de vloeistof direct in kaart op specifieke punten op een rooster, vergelijkbaar met hoe een digitale afbeelding pixels in kaart brengt. De tweede benadering, bekend als de Galerkin-reduced-basis methode, representeerde de vloeistof als een combinatie van gladde, golfachtige patronen. De onderzoekers ontdekten dat voor de gladdere stromingen die zij testten, de golfachtige representatie bijzonder effectief was en vaak nauwkeurigere resultaten opleverde met minder computationele middelen. Dit suggereert dat het kiezen van de juiste manier om de structuur van de vloeistof te beschrijven even belangrijk is als het quantumalgoritme zelf.

Een van de meest significante aspecten van dit werk is hoe het met de tijd omgaat. Traditionele methoden worstelen vaak wanneer de begincondities van een vloeistof onbekend zijn of wanneer gegevens alleen beschikbaar zijn voor een specifiek venster in het midden van een proces. De nieuwe methode vereist geen bekend startpunt. Omdat het de volledige tijdlijn simultaan oplost, kan het zowel achteruit als vooruit werken vanaf de schaarse sensordata om de gaten op te vullen. In hun simulaties toonden de onderzoekers dit aan door stromingen te reconstrueren waarbij de sensoren alleen gegevens registreerden tijdens een korte, willekeurige periode, terwijl het algoritme toch de volledige geschiedenis van de beweging herstelde.

De resultaten suggereren dat dit spacetime-encoding schema een compact en krachtig kader biedt voor het begrijpen van complexe vloeistofdynamica. Hoewel dit werk momenteel beperkt is tot simulaties en eendimensionale modellen, wijst het naar een toekomst waarin quantumapparaten wetenschappers kunnen helpen de onzichtbare stromingen in echte experimenten te visualiseren. De onderzoekers merkten op dat het succes van de methode sterk afhangt van het ontwerp van het quantumcircuit dat wordt gebruikt om de oplossing te representeren. Ze gebruikten een standaard, hardware-vriendelijk ontwerp voor hun tests, maar ze vermoeden dat het afstemmen van het circuit op de specifieke fysica van het probleem tot nog betere prestaties zou kunnen leiden.

Uiteindelijk biedt deze studie een bewijs van concept dat quantumalgoritmen kunnen worden gebruikt om inverse problemen in de vloeistofmechanica op te lossen, waarbij het doel is om het geheel uit het deel af te leiden. Door de beperkingen van natuurwetten te combineren met schaarse metingen, kan het algoritme een globaal consistente visie van de beweging van een vloeistof herstellen. De onderzoekers benadrukken dat hoewel ruis in echte quantumhardware en de complexiteit van optimalisatie uitdagingen blijven, de benadering een nieuwe deur opent voor het extraheren van zinvolle informatie uit beperkte data. Het biedt een veelbelovend pad voor gebieden variërend van meteorologie tot medische beeldvorming, waar het zien van het volledige plaatje vanuit een paar verspreide aanwijzingen essentieel is.