Schrödinger-Navier-Stokes Equation for the Quantum Simulation of Navier-Stokes Flows

Este artigo revisita a formulação Schrödinger-Navier-Stokes das equações de Navier-Stokes, propondo e analisando o primeiro algoritmo quântico viável para simular fluidos clássicos dissipativos, utilizando uma representação de rede tensorial da equação de Hamilton-Jacobi para contornar desafios computacionais e demonstrar convergência em fluxos de Kolmogorov.

O essencial

Imagine que você quer prever o movimento de uma gota de chuva caindo em um rio, ou como a fumaça de um cigarro se espalha no ar. Isso é o que os físicos chamam de dinâmica de fluidos. Para fazer isso, eles usam uma equação matemática muito famosa e difícil chamada Navier-Stokes.

O problema é que essa equação é como um "monstro" para os computadores: ela é cheia de curvas, torções e comportamentos caóticos (não lineares) que tornam a simulação extremamente lenta e cara, especialmente se quisermos usar computadores quânticos no futuro.

Aqui está o resumo do que os autores deste artigo fizeram, explicado de forma simples:

1. O Problema: Traduzir o "Intraduzível"

Os cientistas queriam criar um algoritmo para computadores quânticos que simulasse fluidos reais (com atrito, pressão e redemoinhos).

• O Desafio: Computadores quânticos são ótimos com coisas que se comportam como ondas (como elétrons), mas péssimos com coisas que se comportam como fluidos viscosos (que "grudam" e perdem energia).
• A Tentativa Antiga: Antes, tentaram transformar a equação do fluido em uma "equação de onda" (chamada de Schrödinger-Navier-Stokes). Mas era como tentar enfiar um quadrado em um buraco redondo: a parte do "atrito" (dissipação) não se encaixava bem na matemática quântica.

2. A Solução Criativa: O "Espelho" Hamilton-Jacobi

Os autores decidiram olhar para o problema de um ângulo diferente. Em vez de tentar forçar o fluido a parecer um elétron, eles usaram uma técnica matemática antiga (dos anos 80) que transforma o fluido em uma onda de fase.

• A Analogia: Pense no fluido não como água, mas como uma partícula de poeira dançando em um feixe de luz. Eles separaram o movimento em duas partes:
  1. O movimento suave (irrotacional).
  2. O movimento de giro (vorticidade/redemoinhos).
     Ao fazer isso, a equação complexa se transformou em algo mais parecido com a equação de Hamilton-Jacobi (usada para descrever o caminho mais eficiente de uma partícula). Isso tornou o "monstro" muito mais amigável para a matemática quântica.

3. A Técnica Mágica: "Carleman" e "Redes de Tecido"

Agora que a equação estava mais simples, eles precisavam linearizá-la (tirar as curvas difíceis) para o computador quântico entender. Usaram uma técnica chamada Embarcamento de Carleman.

• A Analogia do Espelho Infinito: Imagine que você tem uma equação não linear. O método de Carleman cria "cópias" dessa equação dentro de si mesma, infinitamente, transformando um problema curvo em uma linha reta gigante.
• O Problema da Memória: Fazer isso "na mão" exigiria uma memória de computador tão grande que nem o universo inteiro teria espaço para armazenar os dados (ex: $10^5$ gigabytes).
• A Inovação (Redes de Tensores): Aqui entra a genialidade do artigo. Eles usaram uma técnica chamada Redes de Tensores.
  • Metáfora: Imagine que você precisa montar um quebra-cabeça gigante de 1 milhão de peças. O jeito antigo era tentar guardar todas as peças soltas em caixas separadas (gastando muito espaço). O jeito novo deles é dobrar as peças de forma inteligente, como um origami, para que você só precise guardar a "estrutura" do quebra-cabeça, e não cada peça individualmente.
  • Resultado: Eles conseguiram reduzir a memória necessária de algo impossível para algo que cabe em um laptop comum!

4. O Resultado: Um Algoritmo Quântico Viável

Com essa nova abordagem (chamada CHJ - Carleman Hamilton-Jacobi), eles:

1. Criaram o primeiro algoritmo quântico que simula fluidos reais (com pressão, atrito e redemoinhos) baseados na equação original de Navier-Stokes.
2. Testaram isso em computadores clássicos (simulando um computador quântico) e viram que funcionava muito bem para fluxos moderados.
3. Descobriram que, para simulações de curto prazo, usar mais "cópias" (ordens mais altas) dá mais precisão. Mas, para longo prazo, é melhor usar uma versão mais simples (segunda ordem), que é mais estável e não "desmorona" com o tempo.

Em Resumo

Os autores pegaram um problema de física muito difícil (simular fluidos em computadores quânticos), transformaram a equação em uma linguagem que os computadores quânticos "gostam" (ondas), e usaram um truque de "dobragem de dados" (redes de tensores) para que a simulação não exigisse um supercomputador do tamanho de um planeta.

É como se eles tivessem encontrado a chave mestra para fazer computadores quânticos "nadar" no mundo dos fluidos, abrindo portas para simular clima, aerodinâmica de aviões e fluxo sanguíneo com uma eficiência que nunca foi vista antes.

Resumo técnico

Título: Equação de Schrödinger-Navier-Stokes para a Simulação Quântica de Fluxos de Navier-Stokes

Autores: Luca Cappelli, Sauro Succi, Monica Lăcătuş, Alessandro Andrea Zecchi e Alessandro Roggero.

---

1. O Problema

A simulação quântica de fluidos clássicos enfrenta dois obstáculos fundamentais que dificultam a implementação em computadores quânticos:

1. Não-linearidade: As equações de Navier-Stokes (NSE) são inerentemente não-lineares, enquanto os computadores quânticos operam naturalmente com operadores lineares (unitários).
2. Dissipação: A viscosidade e a dissipação de energia em fluidos clássicos não possuem um análogo direto na mecânica quântica padrão (que é conservativa).

Abordagens anteriores, como a formulação de Madelung (que mapeia a equação de Schrödinger para fluidos), falham ao lidar com a vorticidade e a dissipação corretas das NSE. Tentativas de formular uma equação de onda "quântica" para fluidos clássicos (Schrödinger-Navier-Stokes ou SNS) esbarraram na dificuldade de linearizar o termo dissipativo não-local e não-polinomial, essencial para a implementação quântica.

2. Metodologia

Os autores propõem uma nova abordagem baseada em três pilares principais:

• Formulação Hamilton-Jacobi (HJ) Inversa:
  Em vez de tentar linearizar diretamente a equação de onda complexa (SNS), os autores revertem a transformação de Madelung. Eles partem das equações de Navier-Stokes e as reescrevem em termos de uma função de onda escalar acoplada a um campo vetorial externo (representando a vorticidade). Isso resulta em um sistema de equações de Navier-Stokes na forma Hamilton-Jacobi (NSHJ). Nesta formulação, o potencial quântico é removido e o termo viscoso é recastado como uma série de não-linearidades polinomiais de segunda ordem, que são mais adequadas para a linearização.

• Linearização de Carleman com Tensor Networks:
  Para resolver a não-linearidade, o sistema NSHJ é submetido à Linearização de Carleman. Este método mapeia o sistema não-linear finito em um sistema linear de dimensão infinita (ou truncada).

  • Desafio: A expansão de Carleman gera um número exponencial de variáveis (tensor de ordem $N_C$), tornando a simulação clássica impossível para ordens superiores e inviável para a codificação quântica devido ao custo de memória.
  • Solução: Os autores introduzem uma representação de Rede Tensorial (Tensor Network). Ao invés de armazenar o tensor completo, eles representam o estado como uma superposição de tensores de posto único (rank-one). Isso reduz drasticamente a complexidade de memória, permitindo simulações de até quarta ordem ($N_C=4$) em hardware clássico e viabilizando a codificação quântica.

• Algoritmo Quântico (Block-Encoding):
  O sistema linearizado truncado é codificado em um computador quântico utilizando a técnica de Block-Encoding. As matrizes de evolução (não unitárias) são embutidas em operadores unitários maiores, utilizando qubits auxiliares (ancilla). A evolução do estado quântico é realizada sequencialmente através de oráculos que selecionam os blocos não nulos das matrizes esparsas.

3. Contribuições Chave

1. Primeiro Algoritmo Quântico para NSE Reais: Este é, segundo os autores, o primeiro algoritmo quântico baseado em uma formulação de onda genuína das equações de Navier-Stokes, incluindo pressão, dissipação e vorticidade simultaneamente.
2. Estratégia de Saída (HJ): Clarificam matematicamente por que a dissipação direta na formulação SNS é um desafio e propõem a formulação HJ como a solução viável para a linearização.
3. Redução de Complexidade via Redes Tensoriais: Desenvolvem uma técnica inovadora que utiliza redes tensoriais para representar a hierarquia de Carleman, reduzindo o custo de memória de $O((4G)^{N_C})$ para uma escala polinomial dependente do número de passos de tempo e da ordem de truncamento, permitindo simulações de alta ordem.
4. Análise de Convergência: Realizam uma análise rigorosa da convergência e precisão do algoritmo em diferentes regimes de Reynolds.

4. Resultados

Os autores emularam o algoritmo quântico em computadores clássicos para validar a abordagem:

• Fluxos de Kolmogorov: Testes foram realizados com fluxos bidimensionais em grades periódicas ($32 \times 32$ e $128 \times 128$) para números de Reynolds moderados ($Re \approx 5$ a $40$).
• Comparação de Truncamento:
  • Curto Prazo: Para tempos curtos ($t < t_{cross}$), truncamentos de ordem superior ($N_C = 3, 4$) oferecem maior precisão e convergem mais rápido para a solução exata (NSHJ).
  • Longo Prazo: Após um tempo de cruzamento ($t_{cross}$), que depende do número de Reynolds e da ordem de truncamento, as aproximações de ordem superior tendem a divergir mais rapidamente. Surpreendentemente, a truncamento de segunda ordem ($N_C=2$) mostrou-se a mais robusta para capturar o comportamento assintótico e o estado estacionário de longo prazo.
• Comparação com Outros Métodos: O método CHJ (Carleman-Hamilton-Jacobi) superou a linearização de Carleman aplicada diretamente às equações de Navier-Stokes (CNS) em termos de precisão e tempo de coerência. O desempenho foi comparável à Linearização de Carleman da formulação Lattice Boltzmann (CLB), mas com menos campos de variáveis (4 campos para CHJ vs. 9 para CLB em 2D).
• Probabilidade de Sucesso: A probabilidade de sucesso da operação quântica (devido à não-unitariedade) foi estimada. Para os parâmetros usados, a probabilidade é baixa, mas gerenciável, e depende da taxa de decaimento da norma do vetor de Carleman.

5. Significado e Conclusão

O trabalho estabelece uma nova via ("quarta via") para a linearização de Carleman em dinâmica de fluidos, inspirada na formulação de ondas quânticas.

• Viabilidade: Demonstra que é possível formular um algoritmo quântico para fluidos viscosos e rotacionais, superando barreiras teóricas anteriores.
• Eficiência: A introdução de redes tensoriais é um avanço técnico crucial, tornando viável a simulação de sistemas de fluidos em computadores quânticos futuros, onde o uso de memória é um gargalo crítico.
• Estratégia Híbrida: Os resultados sugerem uma estratégia híbrida: usar truncamentos de alta ordem para capturar a dinâmica de curto prazo e truncamentos de baixa ordem (segunda ordem) para a evolução de longo prazo e estados estacionários.

Em suma, o artigo oferece um caminho promissor para a simulação quântica de fenômenos de transporte e fluidos, combinando formulações físicas inteligentes com técnicas avançadas de álgebra linear quântica e representação de dados.