⚛️ quantum physics

Solving nonlinear differential equations on noisy $156$-qubit quantum computers

本文报道了利用 IBM 的 156 位量子计算机，通过混合经典-量子算法 H-DES 成功求解了一维材料变形问题和无粘性 Burgers 方程，展示了在当前含噪声中等规模量子（NISQ）设备上进行物理相关模拟的潜力。

原作者： Karla Baumann, Youcef Modheb, Roman Randrianarisoa, Roland Katz, Aoife Boyle, Frédéric Holweck

发布于 2026-02-11

📖 1 分钟阅读🧠 深度阅读

原作者： Karla Baumann, Youcef Modheb, Roman Randrianarisoa, Roland Katz, Aoife Boyle, Frédéric Holweck

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一项非常前沿的科研成果：科学家们成功地在真实的、拥有156个量子比特的量子计算机上，解决了复杂的“非线性微分方程”问题。

为了让你轻松理解，我们可以把这个过程想象成一场**“在狂风暴雨中指挥交响乐团”**的挑战。

1. 什么是“微分方程”？（乐谱与旋律）

想象一下，如果你想预测一场交响乐演出的走向——什么时候乐器会变响，什么时候旋律会变得激昂——你需要一套极其复杂的数学规则。在物理世界中，这些规则就是“微分方程”。它们描述了物质如何变形、流体如何流动、天气如何变化。

传统的计算机就像是一位经验丰富的指挥家，虽然很厉害，但在面对极其复杂、变幻莫测的“非线性”旋律（即那些变化极快、不按常理出牌的波动）时，速度会变得越来越慢。

2. 什么是“量子计算机”？（一群拥有超能力的乐手）

量子计算机不同于传统计算机。如果传统计算机是一个一个按顺序弹奏音符的钢琴家，那么量子计算机就像是一群拥有“分身术”的乐手。他们可以同时尝试无数种音符组合，理论上能以惊人的速度找到最完美的旋律。

但问题在于，现在的量子计算机还处于“新手期”，也就是论文里说的 NISQ（嘈杂中等规模量子）时代。

3. 挑战在哪里？（狂风暴雨中的演奏）

现在的量子计算机非常“娇贵”且“吵闹”。你可以把量子比特想象成一群极其敏感的乐手，他们不仅容易出错（噪声），而且只要环境有一点点风吹草动（热量或电磁干扰），他们就会弹错音符。

这就好比：你试图让这群乐手在狂风暴雨的露天舞台上，精准地演奏出一首极其复杂的交响乐。 乐手们会手抖，音准会偏，乐谱也会被吹乱。

4. 科学家做了什么？（H-DES：智能指挥系统）

为了解决这个问题，研究人员发明了一套名为 H-DES 的“智能指挥系统”。这个系统不是死板地要求乐手必须完美，而是采用了一种**“混合式”策略**：

量子乐手负责“试错”： 让量子电路去尝试生成可能的解（旋律）。
经典指挥家负责“纠偏”： 传统的计算机（指挥家）在旁边盯着，发现量子乐手弹错了，就立刻通过数学计算告诉他们：“嘿，稍微往左边调一点，再往右边调一点。”
灵活的乐谱（观测器）： 他们不再强求量子乐手一次性弹对，而是通过一种巧妙的数学方法（切比雪夫展开），把复杂的乐谱拆解成乐手更容易理解的小片段。

5. 他们成功了吗？（两场成功的演出）

论文中展示了两次成功的“演出”：

材料变形测试（1D 弹性测试）： 就像是在模拟一根金属棒被拉伸时的反应。结果证明，量子计算机能够精准地捕捉到金属受力时的变化规律。
无粘性 Burgers 方程（流体模拟）： 这更难，因为它模拟的是流体（像水或空气一样）在流动时产生的剧烈波动和“冲击波”。这就像是在模拟一场突如其来的海啸。结果显示，即使在噪声很大的情况下，这套系统依然能成功“听出”流体运动的节奏。

总结

这篇文章的意义在于：它证明了我们不需要等到完美的、完全安静的量子计算机出现，现在就可以开始用这些“吵闹”的量子设备来解决真实的物理问题了。

这就像是证明了：即使在暴雨中，只要指挥家足够聪明、策略足够灵活，我们依然能指挥出一场动听的交响乐。 这为未来利用量子计算机进行气象预报、新材料设计和药物研发迈出了坚实的一步。

这是一篇关于利用量子计算解决非线性微分方程的研究论文。以下是对该论文的详细技术总结：

1. 研究问题 (Problem)

传统的数值求解偏微分方程（PDEs）是科学计算的核心，但随着问题复杂度的增加，经典计算面临挑战。虽然理论上存在量子加速方案（如基于HHL算法的方法），但它们对硬件的要求远超目前的量子计算能力。

本文旨在探索在含噪声中等规模量子（NISQ）时代，能否利用现有的量子硬件（如 IBM 的 156 位量子处理器）成功求解具有非线性特征的常微分方程（ODE）和偏微分方程（PDE）。研究重点在于如何克服量子硬件中的噪声（Noise）和采样误差（Shot Noise），以实现物理上相关的模拟。

2. 研究方法 (Methodology)

论文提出并应用了一种名为 H-DES (Hybrid Classical-Quantum Differential Equation Solver) 的混合经典-量子微分方程求解器。其核心架构和技术细节如下：

混合算法框架 (Hybrid Loop)： 采用变分量子算法（VQA）范式。量子电路（VQC）负责准备参数化量子态 $|\psi(\theta)\rangle$ 以表示解，而经典优化器则根据损失函数（Loss Function）迭代更新参数 $\theta$ 。
解的编码 (Encoding)：
- 不同于以往通过特征映射（Feature Map）编码坐标的方法，H-DES 将解的函数值及其导数编码在**可观测量（Observable）**中。
- 利用**切比雪夫多项式（Chebyshev expansion）**进行谱分解，通过定义特定的可观测量 $O_m(x)$ 来提取函数值。这种方法提供了更高的灵活性，且通过使用局部 Pauli 单项式可观测量，有效缓解了“贫瘠高原”（Barren Plateaus）问题。
损失函数构建 (Loss Construction)： 损失函数由两部分组成：
1. PDE 残差项 ( $L_{PDE}$ )：衡量量子态生成的函数是否满足微分方程。
2. 边界条件项 ( $L_{BC}$ )：通过“浮动边界条件偏移（Floating BC shift）”技术，将边界约束直接整合进解的构造中，确保解在物理上是自洽的。
针对硬件的优化策略：
- 硬件高效型拟设 (Hardware-Efficient Ansatz, HEA)： 根据量子芯片的拓扑结构设计电路，以减少门操作带来的噪声。
- 多阶段采样策略 (N-stage Sampling)： 在优化初期使用较少的采样数（Shots）以节省时间，在接近最优解时增加采样数以提高精度，从而平衡计算成本与精度。
- 并行堆叠策略 (Parallel Stacking)： 在不同量子比特子集上并行执行相同电路，聚合测量结果以降低方差。

3. 关键贡献 (Key Contributions)

首次实机验证： 论文报告了在真实的 IBM 量子硬件（而非仅在模拟器上）成功求解非平凡非线性微分方程的案例。
算法工具箱化： 证明了 H-DES 是一个灵活的“工具箱”，可以根据问题的维度、非线性和硬件特性，灵活调整拟设（Ansatz）、可观测量、优化器和采样策略。
噪声鲁棒性方案： 提出了一套无需复杂误差缓解（Error Mitigation）技术，仅通过变分优化过程本身吸收硬件噪声的有效路径。

4. 实验结果 (Results)

研究针对两个基准问题进行了测试：

一维超弹性拉伸测试 (1-D Hypoelastic Tensile Test - ODE)：
- 问题： 涉及位移场与应力场的耦合非线性系统。
- 配置： 使用 15 个量子比特，采用梯度下降优化器（SLSQP）和参数移位规则（Parameter-shift rule）。
- 结果： 损失函数收敛良好，应力场 $\sigma(x)$ 达到了极高的精度，位移场 $u(x)$ 也表现出与解析解高度一致的趋势。
无粘 Burgers 方程 (Inviscid Burgers’ Equation - PDE)：
- 问题： 模拟无粘流体流动，具有非线性平流项，易产生激波。
- 配置： 使用 40 至 50 个量子比特，采用无梯度优化器（CMA-ES）和多阶段采样策略。
- 结果： 成功捕捉到了流体速度场的演化过程。通过增加量子比特数和优化初始化策略，能够应对更复杂的梯度变化。

5. 研究意义 (Significance)

迈向量子实用化： 该研究证明了即使在当前的 NISQ 设备上，通过精心设计的混合算法，也能进行具有物理意义的数值模拟，为量子计算从理论走向实际应用迈出了重要一步。
算法设计范式： 强调了在量子算法设计中，“问题感知（Problem-aware）”和“硬件感知（Hardware-aware）”的重要性。研究表明，解决量子计算难题的关键不在于单一技术的突破，而在于将拟设、编码、采样和优化器进行全局协同设计。
领域启发： 为未来利用量子计算解决更复杂的流体力学、固体力学等工程问题提供了可行的技术路线图。