Variational Quantum Solutions to the Advection-Diffusion Equation for Applications in Fluid Dynamics

要点

以下是用简单语言和日常类比对该论文的解读。

核心难题：天气模型变得过于庞大

想象一下试图预测天气。为了准确做到这一点，科学家使用巨大的计算机模型，将大气层划分为微小的网格方格，就像一个巨大的三维棋盘。方格越小，预报就越准确。

然而，这里有个陷阱。让方格变小需要呈指数级增长的计算能力。作者将这种现象比作“尺度的暴政”。如果我们想将天气模型的分辨率提高一倍，以便观测更小的风暴，我们就需要一台超级计算机，其耗电量相当于一个小城市。我们正撞上一堵墙：目前的计算机如果不消耗过多能源，就无法变得更快或更强大。此外，几十年来推动计算机速度提升的技术（摩尔定律）也已动力耗尽。

proposed 解决方案：量子“魔法戏法”

作者建议使用量子计算来打破这一能源壁垒。将经典计算机想象成一位图书管理员，必须一本一本地检查书架上的每一本书才能找到特定事实；而量子计算机则像是一位能同时检查书架上所有书籍的图书管理员。

在这项研究中，团队并没有试图一次性解决整个天气预报问题。相反，他们专注于一个特定的简化物理问题，称为对流 - 扩散方程。

• 类比：想象一滴墨水滴入一杯水中。“对流”是墨水随水流移动，“扩散”是墨水散开并变得模糊。该方程描述了这种运动。它是流体动力学（空气和水如何运动）的基本构建模块，而流体动力学正是天气预报的核心。

实施方法：混合团队

由于目前的量子计算机仍然“嘈杂”（它们容易出错，就像带有静电干扰的收音机），团队无法仅让量子计算机独自完成全部工作。相反，他们采用了一种混合量子 - 经典方法。

将其想象为主厨与副主厨协同工作：

1. 经典计算机（主厨）：负责繁重的规划。它设置问题并指示量子计算机该做什么。
2. 量子计算机（副主厨）：执行一项非常具体且棘手的任务：尝试猜测复杂数学谜题的答案。
3. 循环：副主厨做出猜测，主厨检查该猜测与正确答案的接近程度，然后指示副主厨微调猜测。他们反复进行此过程，直到猜测完美为止。

这种方法被称为变分量子线性求解器（VQLS）。

实验：在真实硬件上测试

团队将他们的“主厨与副主厨”团队带到云端，使用了三台来自 IBM 的真实存在的量子计算机（分别名为开罗、河内和蒙特利尔）。这些机器就像早期原型机：体积小且容易出错。

他们建立了一个微小的“墨水滴入水中”问题版本。

• 他们将问题分解为一个矩阵（数字网格）。
• 他们将这些数字翻译成量子计算机能理解的语言（使用“量子比特”，即像开关一样可以处于开启、关闭或同时处于两种状态的单元）。
• 他们运行了 24 次模拟，以查看结果是否一致。

结果：有效，但存在噪声

结果令人鼓舞：

• 成功：量子计算机能够求解该方程。24 次运行的平均结果与由标准、强大的经典计算机计算出的解非常相似。
• 准确性：误差率很小（根据时间步长的不同，约为 6% 到 15%），作者认为对于如此嘈杂的机器而言，这是一个“可靠的解”。
• 陷阱：虽然所有运行的平均值表现良好，但单次运行结果存在差异。有些结果在一个方向上略有偏差，有些则在另一个方向。这就像询问 24 个人猜测一头牛的重量；平均值可能非常准确，但个人的猜测可能偏高或偏低。作者指出，这种“噪声”意味着他们可能需要运行多次模拟并取平均值，才能获得可信的答案。

局限性：为何我们尚无法预测天气

该论文非常明确地指出了这尚未意味着什么。

• 概念验证：他们解决的是一个微小的、简化的流体问题。他们没有解决完整的全球天气预报。
• 瓶颈：随着问题变大（更多网格方格、更复杂的方程），量子计算机需要执行的步骤数量增长得非常快（呈二次方增长）。作者发现，对于非常大的问题，所需的步骤数量将超过当前量子计算机的处理能力。
• 未来：作者得出结论，虽然这种特定方法目前适用于小问题，但要应对现实世界天气预报的巨大规模，仍需重大改进。然而，这证明了量子计算机最终可以帮助我们要解决这些困难的流体动力学谜题，而无需当今超级计算机那样巨大的能源成本。

总结

简而言之，作者搭建了一座连接经典计算与量子计算的小桥，以解决一个基本的流体力学问题。他们表明，即使使用当今“嘈杂”的量子机器，也能获得不错的答案。这就像证明了一种新型发动机在卡丁车上能运行；这并不意味着它已准备好驾驶卡车穿越全国，但它证明了该发动机概念是可行的。

技术摘要

技术摘要：变分量子方法求解平流 - 扩散方程

问题陈述
业务数值天气预报（NWP）因“尺度暴政”而面临重大制约，即从分子尺度到行星尺度的流体动力学解析需要越来越细的网格间距。这一趋势导致功耗和计算需求攀升至不可持续的水平；例如，将模型分辨率从 10 公里下钻至 1 公里，功耗可能增加三个数量级。此外，摩尔定律的临近终结威胁到未来预报技巧提升所需的计算能力上限。虽然经典方法难以突破这些限制，但量子计算（QC）提供了一条潜在途径，以缓解功耗瓶颈并更高效地求解复杂的偏微分方程（PDE）。

方法论
作者提出了一种混合量子 - 经典框架，用于求解一维平流 - 扩散方程，这是一种对流体动力学至关重要的非线性偏微分方程。该方法分为三个主要阶段：

1. 线性化与离散化：由于量子力学本质上是线性的，非线性平流 - 扩散方程被转化为线性方程组。这是通过一种线性化方法实现的，该方法将非线性微分方程映射为无限序列的耦合线性方程，随后在低阶（$\tau \le 5$）处截断，以确保收敛同时保持精度。系统使用前向欧拉法进行离散化，形成矩阵方程 $A|x\rangle = |b\rangle$。
2. 矩阵分解：为了在量子寄存器上执行操作，线性算符 $A$ 被分解为酉算符的线性组合（$A = \sum c_l A_l$）。每个酉算符 $A_l$ 被构建为作用于单个量子比特的泡利算符（$I, X, Y, Z$）的张量积。
3. 变分量子线性求解器（VQLS）：线性系统使用 VQLS 算法求解，这是一种混合方法，其中量子计算机制备参数化量子态 $|x(\theta)\rangle = V(\theta)|0\rangle$，经典优化器更新参数 $\theta$ 以最小化代价函数 $C(\theta)$。
   • Ansatz（试探电路）：本研究利用了先前文献中 Ansatz 电路 9 的修改版本，并约束其产生实数解。
   • 代价函数：采用局部代价函数以避免 barren plateaus（ barren 高原），该函数通过特定哈密顿量的期望值计算得出。
   • 测量策略：与依赖哈达玛测试（Hadamard test）的方法不同，本实现使用了 QISKIT 泡利期望值方法。该方法在泡利基下对角化 Ansatz 电路并单独测量每个量子比特，从而减少了所需的双量子比特门数量（这是噪声的主要来源），代价是增加了单个量子比特的读取。
   • 优化：使用随机扰动同时近似（SPSA）算法来最小化代价函数，选择该算法是因为其在较少函数评估下估计梯度的效率。

实验设置
该算法在三个 IBM 量子系统上执行：Cairo、Hanoi 和 Montreal（均为 27 量子比特 Falcon 处理器）。具体问题实例涉及 $n=4$ 个网格点且截断阶数为 $\tau=1$ 的一维平流 - 扩散方程。计算向量空间从维度 $N=12$ 缩减至 $N=8$，以适配 3 量子比特希尔伯特空间（$2^3=8$）。在三个机器上进行了包含 24 个成员的集合运行，每个电路最多使用 8,192 次采样（shots）。

结果

• 收敛性：在 24 次运行中的大多数情况下，代价函数在前 40 次迭代内迅速收敛，并稳定在 $10^{-2}$ 附近的值。
• 精度：24 个量子解的平均值与线性化系统的经典解高度吻合。相对于经典线性系统解，$t=0.25$ 秒时的均方根误差（RMSE）为 0.010 m/s（相对误差 6%），$t=0.5$ 秒时为 0.021 m/s（相对误差 15%）。
• 偏差分析：虽然集合均值提供了可靠的解，但单次运行表现出固有的偏差。补充数据分析表明，单次解中误差的符号往往在收敛过程的早期就已确定，而非随机产生，这表明可能需要多次积分才能获得无偏估计。
• 可扩展性约束：该研究确定了扩展此特定 VQLS 方法的关键瓶颈。每次迭代所需的电路数量随泡利分解中的项数（$L$）呈二次方增长（$N_C \approx (Q+1)L^2$）。鉴于当前的硬件限制（例如 IBM 的 900 个电路提交限制），这种二次方增长将该方法限制在 $L$ 值较小的问题上，阻碍了其立即应用于任意的大规模非线性微分方程。

意义与主张
作者断言，这项工作代表了在真实量子硬件上求解气象相关计算问题（平流 - 扩散方程）的首次演示。其主要意义在于证明了在当前含噪声中等规模量子（NISQ）设备上获取流体动力学方程可靠解的可行性，尽管这些设备存在噪声和退相干限制。

该论文对未来应用保持了适度的范围。它并未声称该特定算法已立即准备好用于业务数值天气预报。相反，它强调虽然当前的 VQLS 实现因电路数量要求而面临可扩展性瓶颈，但成功的概念验证表明，随着硬件的改进和算法的演进，量子计算最终可能取代传统方法。作者指出，对于容错系统，可能会采用完全不同的算法，但本研究为利用量子资源进行天气预报奠定了基础性的一步。