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

Esta revisão examina os avanços na interseção entre computação quântica, aprendizado de máquina e redes de tensores aplicados à Dinâmica dos Fluidos Computacional (CFD), destacando que, embora a CFD totalmente quântica ainda não seja viável na era NISQ, as abordagens híbridas e os métodos inspirados em tensores já demonstram benefícios práticos significativos em termos de eficiência e precisão.

O essencial

Imagine que você é um cozinheiro tentando prever exatamente como o ar vai se mover ao redor de um avião, como a água vai fluir por um rio ou como o fogo vai se espalhar em uma floresta. Isso é o que os cientistas chamam de Dinâmica dos Fluidos Computacional (CFD). É como tentar simular o caos da natureza em um computador.

O problema é que a natureza é complexa demais. Para simular turbulências (aqueles redemoinhos caóticos), os computadores clássicos precisam de uma quantidade absurda de memória e tempo. É como tentar descrever cada gota de água em um oceano inteiro: o computador fica sobrecarregado, "engasga" e a simulação demora anos para terminar.

Este artigo é um mapa do tesouro que explora duas novas rotas para resolver esse problema: Computação Quântica e Métodos "Inspirados" na Quântica.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema: O Labirinto Infinito

Pense na simulação de fluidos como tentar encontrar a saída de um labirinto gigante e mutante. Os métodos tradicionais (como FVM ou FDM) são como andar pelo labirinto passo a passo, verificando cada parede. Funciona, mas é lento e cansativo quando o labirinto tem bilhões de caminhos (dimensões).

2. A Solução 1: Computação Quântica (O "Teletransporte" de Dados)

A computação quântica promete usar as leis da física quântica para resolver isso.

• A Analogia: Imagine que, em vez de andar pelo labirinto, você tem um "fantasma" que pode estar em todos os caminhos do labirinto ao mesmo tempo (isso é a superposição).
• Como funciona no papel: Os autores discutem algoritmos que usam "Qubits" (bits quânticos) para representar o fluido. Em vez de calcular cada ponto de água separadamente, o computador quântico consegue "sentir" a relação entre todos os pontos ao mesmo tempo (graças ao emaranhamento, que é como se as gotas de água estivessem "conectadas" telepaticamente).
• O Desafio: Hoje, nossos computadores quânticos são como crianças pequenas: são rápidos, mas muito "barulhentos" e cometem erros (chamados de ruído). Eles ainda não têm força suficiente para simular um avião inteiro. É uma promessa para o futuro.

3. A Solução 2: Redes Neurais Quânticas (O "Cérebro" Quântico)

Os autores falam sobre PINNs (Redes Neurais Informadas pela Física).

• A Analogia: Imagine que você está ensinando um aluno a desenhar um rio.
  • Método Clássico: Você mostra milhares de fotos de rios e ele tenta memorizar.
  • PINN: Você dá ao aluno as leis da física (a água desce, não sobe) e ele aprende a desenhar o rio sem precisar de tantas fotos.
• O Toque Quântico: Os autores propõem usar circuitos quânticos como parte desse "cérebro" do aluno. Isso permite que ele aprenda padrões complexos com muito menos memória. É como se o aluno quântico tivesse um "superpoder" de compressão: ele consegue entender a essência do rio usando apenas 10% do espaço que um aluno normal precisaria.

4. A Solução 3: Redes de Tensores (O "Mestre da Compressão")

Esta é a parte mais promissora hoje. Mesmo sem um computador quântico real, podemos usar a ideia quântica para comprimir dados.

• A Analogia: Pense em uma foto de alta resolução de uma tempestade. Ela tem milhões de pixels. Mas, se você olhar de longe, vê apenas nuvens e chuva. Você não precisa guardar a cor de cada pixel individualmente para entender a tempestade.
• Como funciona: As Redes de Tensores são como uma técnica de "zip" superpoderosa. Elas pegam a simulação gigante e a transformam em uma estrutura compacta, descartando apenas o "ruído" irrelevante e mantendo a essência da física.
• O Resultado: O artigo mostra que, usando essa técnica, é possível reduzir o tempo de cálculo em 1.000 vezes e o uso de memória em 1 milhão de vezes. É como transformar um filme em 4K de 100GB em um arquivo de 100MB que ainda parece 4K.

5. O Veredito: O Que Podemos Fazer Agora?

O artigo conclui com uma mensagem realista e otimista:

• Computadores Quânticos Reais: Ainda não estão prontos para resolver problemas complexos de fluidos (como turbulência em aviões) porque são muito sensíveis a erros. É uma tecnologia de "longo prazo".
• Métodos Inspirados (Redes de Tensores): Já estão funcionando! Eles usam a lógica quântica para comprimir dados em computadores comuns (como os seus laptops ou servidores).
• A Estratégia Híbrida: O futuro mais próximo é misturar o melhor dos dois mundos. Usar a compressão inteligente das redes de tensores para preparar os dados e, talvez no futuro, jogar essa informação compactada em um computador quântico para o cálculo final.

Em resumo:
Os autores estão dizendo: "Não precisamos esperar que os computadores quânticos mágicos cheguem para ter avanços. Podemos usar as ideias deles (como a compressão de dados e a conexão entre partículas) para tornar nossos computadores atuais muito mais rápidos e eficientes na previsão do clima, design de carros e aviação."

É como se eles tivessem descoberto que, para atravessar o oceano, não precisamos esperar por um submarino mágico; podemos construir um barco muito mais leve e rápido usando os mesmos princípios de hidrodinâmica que o submarino usaria.

Resumo técnico

Título: Uma revisão de aprendizado de máquina quântico e métodos inspirados em quântica aplicados à Dinâmica dos Fluidos Computacional (CFD)

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

---

1. O Problema

A Dinâmica dos Fluidos Computacional (CFD) é fundamental para a ciência e engenharia, mas enfrenta desafios severos de escalabilidade, especialmente em regimes de alta dimensionalidade, multiescala e turbulência.

• Limitações Clássicas: Métodos numéricos tradicionais (FVM, FEM, FDM) tornam-se proibitivamente caros computacionalmente para simulações de alta resolução. O custo cresce exponencialmente com o número de graus de liberdade necessários para resolver as equações de Navier-Stokes, especialmente em turbulência (onde o número de pontos de grade escala com $Re^{9/4}$).
• Curse of Dimensionality: A complexidade intrínseca de fenômenos não lineares e multiescala exige recursos computacionais que muitas vezes excedem a capacidade dos supercomputadores atuais.
• Necessidade: Há uma demanda urgente por novos paradigmas computacionais capazes de lidar com essa alta dimensionalidade e complexidade, motivando a exploração de computação quântica e métodos inspirados em quântica.

2. Metodologia

O artigo revisa e sintetiza três abordagens principais na interseção entre computação quântica, aprendizado de máquina e CFD:

A. Algoritmos Quânticos Variacionais (VQAs)

• Conceito: Algoritmos híbridos (quântico-clássicos) onde um circuito quântico parametrizado (ansatz) prepara um estado quântico, e um otimizador clássico ajusta os parâmetros para minimizar uma função de custo.
• Aplicação em CFD: A solução da EDP (Equação Diferencial Parcial) é tratada como a minimização de um funcional de custo.
• Unidade de Processamento Não-Linear Quântica (QNPU): Uma inovação chave discutida é o uso de uma QNPU para avaliar termos não lineares (como produtos e normas) diretamente no circuito, sem necessidade de reconstruir o estado completo. Isso permite resolver equações não lineares (ex: Equação de Burgers) usando medições de um qubit ancilla.
• Codificação: Utiliza-se codificação de amplitude e codificação multigrid (inspirada em Estados de Produto Matricial - MPS) para representar campos vetoriais e capturar estruturas multiescala eficientemente.

B. Redes Neurais Informadas por Física Quântica (QPINNs)

• Evolução das PINNs: As Redes Neurais Informadas por Física (PINNs) clássicas incorporam leis físicas na função de perda. As QPINNs estendem isso para hardware quântico.
• Arquiteturas:
  • Modelos Lineares Explícitos: Usam circuitos quânticos para aproximar funções via valores esperados de observáveis.
  • Redes Neurais Quânticas (QNNs): Introduzem não linearidade através de mapas de recursos quânticos (feature maps) e reenvio de dados (data reuploading).
  • Híbridas (HQPINNs): A abordagem mais comum e promissora atualmente. Uma camada quântica (QNN) é inserida dentro de uma Rede Neural Perceptron Multicamada (MLP) clássica. A parte clássica lida com a não linearidade e pré/pós-processamento, enquanto a parte quântica atua como uma camada eficiente em termos de parâmetros.
• Vantagem: Demonstrou-se que HQPINNs podem alcançar precisão semelhante ou superior às PINNs clássicas com uma fração significativa do número de parâmetros (ex: redução de >50% em alguns casos).

C. Algoritmos Inspirados em Quântica (Redes Tensoriais - TNs)

• Conceito: Métodos desenvolvidos originalmente para sistemas quânticos de muitos corpos (QMBS) que representam estados de alta dimensão como redes de tensores de baixo rank.
• Aplicação em CFD: Campos físicos são mapeados em estruturas tensoriais (como MPS - Matrix Product States).
• Mecanismo:
  • Compressão: A decomposição do tensor em uma rede permite comprimir a representação do estado, descartando correlações de baixa importância (truncamento de valores singulares).
  • Evolução Temporal: Operadores diferenciais são representados como Operadores de Produto Matricial (MPOs). A evolução temporal é realizada através de contrações de MPO-MPS, mantendo o estado no espaço comprimido.
  • Decodificação: Recuperação da solução física clássica a partir da representação comprimida.
• Vantagem: Reduz drasticamente a complexidade de memória e tempo de execução, transformando problemas exponenciais em polinomiais para certos regimes de fluxo.

3. Principais Contribuições

• Revisão Unificada: O artigo fornece uma visão abrangente e acessível da convergência entre VQAs, QPINNs e Redes Tensoriais aplicadas a CFD.
• Introdução Prática: Além da revisão teórica, o trabalho serve como material introdutório, fornecendo códigos de implementação para a Equação de Burgers 1D viscosa em um repositório GitHub.
• Análise de Arquiteturas Híbridas: Destaca que, na era NISQ (Noisy Intermediate-Scale Quantum), as abordagens puramente quânticas são limitadas, enquanto as abordagens híbridas (clássico-quântico) e os métodos inspirados em quântica (TNs) são os mais viáveis.
• Demonstração de Eficiência: Apresenta dados concretos mostrando que métodos baseados em TNs podem oferecer reduções de memória de até $10^6$ e acelerações de tempo de execução de até $10^3$ comparados a solutores densos tradicionais.

4. Resultados

• VQAs e QNPU: Demonstração de viabilidade na resolução de equações não lineares (Burgers) usando circuitos quânticos com QNPU, onde a função de custo é avaliada via medição de ancilla, evitando a reconstrução completa do estado.
• HQPINNs: Em benchmarks da equação de Burgers e escoamento em cavidade, as HQPINNs alcançaram:
  • Redução de parâmetros de ~50% a ~90% em comparação com PINNs clássicas.
  • Convergência mais rápida e menor perda (loss) em alguns cenários.
  • Maior precisão em certos casos com menos parâmetros, embora enfrentem desafios em problemas altamente não harmônicos ou complexos (2D).
• Redes Tensoriais (TNs):
  • Resultados impressionantes em simulações de turbulência e escoamentos reativos.
  • Exemplo: Solução da equação de Burgers com MPS mostrou que, mesmo com baixa dimensão de ligação ($\chi$), a forma qualitativa da solução é preservada com erro quadrático médio (MSE) da ordem de $10^{-2}$.
  • Comparação direta com FDM/FEM mostra ganhos de ordens de magnitude em eficiência computacional para domínios de alta resolução.

5. Significado e Perspectivas

• Estado Atual (Era NISQ): O CFD puramente quântico (rodando em hardware quântico completo para turbulência real) ainda está fora de alcance devido ao ruído, decoerência e número limitado de qubits.
• Estratégia de Curto Prazo: A abordagem mais promissora é híbrida:
  1. Uso de Redes Tensoriais (TNs) em hardware clássico para comprimir e resolver problemas de alta dimensão, oferecendo benefícios práticos imediatos.
  2. Uso de HQPINNs para otimizar a eficiência de parâmetros em modelos de aprendizado de máquina para CFD.
• Sinergia Futura: As TNs podem atuar como uma ferramenta de pré-processamento para computadores quânticos, comprimindo o problema CFD antes de mapeá-lo para o hardware quântico, reduzindo assim os requisitos de recursos quânticos.
• Conclusão: A convergência de métodos quânticos e inspirados em quântica está criando uma nova geração de solutores para fluidos. Enquanto a computação quântica fault-tolerant é uma meta de longo prazo, as técnicas inspiradas em quântica (especialmente TNs) já estão entregando benefícios práticos significativos na engenharia e física computacional.