A Quantum-Classical Surrogate Model for the Collision Operator of the Lattice Boltzmann Method

技术摘要：用于格子玻尔兹曼方法碰撞算子的量子-经典混合代理模型

问题陈述
格子玻尔兹曼方法（LBM）是一种广泛使用的计算流体力学（CFD）技术，它对空间、时间和速度进行离散化。虽然 LBM 的迁移步骤（streaming step）是线性的且适用于量子算法，但局部的碰撞步骤引入了非线性依赖关系，这对依赖于酉操作（unitary operations）的纯量子求解器提出了挑战。以往的量子 LBM 方法要么需要将问题重新表述为二元优化问题，要么采用绝热退火，或者使用受限于固定松弛参数（例如 $\tau=1$）且需要针对不同流态进行重新训练的变分量子电路（VQC）。此外，现有方法在处理非酉性质的 Bhatnagar-Gross-Krook (BGK) 碰撞算子，以及处理如 Carleman 展开等线性化技术所需的高门计数方面往往表现不佳。

方法论
作者提出了一种旨在用于含噪声中型量子（NISQ）硬件的混合量子-经典代理模型，用以近似非线性的 BGK 碰撞算子。该方法的核心在于将碰撞过程解耦为两个不同的组成部分：

1. 通过 VQC 进行平衡态预测： 一个浅层的参数化量子电路用于预测碰撞后的平衡分布。该电路采用**角度编码（Angle Encoding, AE）方案，将经典宏观变量（密度 $\rho$、速度 $\mathbf{u}$）编码为旋转角度。其架构采用了包含 $N=3$ 个量子比特的并行算符（Parallel Ansatz, PA）**以处理三个速度分量。电路结构采用了数据重上传（data re-uploading）技术（即重复编码层与纠缠层），以扩展可访问的频率谱，从而使模型能够表示更高阶的非线性。
2. 通过电路扩展进行 BGK 松弛： 作者并非直接学习完整的松弛动力学，而是将 BGK 松弛步骤直接嵌入到电路结构中。松弛参数 $\omega$ 被编码为一个量子概率幅，用于控制 Fredkin（受控交换，controlled-SWAP）门。该门将碰撞前状态与预测的平衡态进行混合。这种设计使得模型能够接受任何 $\omega \in [0.5, 2)$ 的输入参数，而无需重新训练。
3. 后处理约束： 为了解决量子代理模型中固有的近似误差，模型应用了经典后处理来强制执行以下特性：
   • 质量与动量守恒： 使用源自 Corbetta 等人的代数修正。
   • 旋转等变性： 通过对八面体群 $D_{48}$（针对 3D）或二面体群 $D_8$（针对 2D）进行群平均来强制执行对称性。
   • 方向轨道压缩： 通过将速度方向分组为对称轨道并共享参数，从而减少训练和推理的开销。

核心贡献

• 可变松弛参数： 本文引入了第一个显式将松弛参数 $\omega$ 作为电路输入的混合量子-经典代理模型，使得模型能够在无需重新训练的情况下，恢复全物理允许范围内的完整 BGK 碰撞后状态。
• 架构分析： 作者在流体力学背景下对标准的 VQC 指标（表达能力、纠缠度、有效维度）进行了批判性重新评估。他们指出，编码重复次数（$L_{SW}$）是模型容量的主要驱动因素，而达到 Haar 级纠缠并不是实现竞争性精度的先决条件。
• 3D 高保真模拟： 本研究展示了首个三维高保真量子 LBM 代理模拟，并在 Taylor–Green 涡流基准测试上进行了验证。
• 轨道压缩： 实现的方向轨道压缩显著降低了训练和推理开销，同时保持了精度，并增强了模拟在面对随机训练方差时的稳定性。

结果
该代理模型通过已建立的基准问题针对经典 BGK 算子进行了验证：

• Taylor–Green 涡流 (3D)： 在 $Re \approx 1$ 且松弛参数 $\omega = 0.75$ 和 $\omega = 1.25$ 的条件下进行模拟。代理模型准确地再现了动能衰减和涡流动力学，中值相对误差约为 $10^{-4}$。研究表明，引入守恒与对称性修正对于长期稳定性是必要的。
• 双剪切层 (2D)： 在雷诺数为 $Re = 100, 400,$和$1000$ 的情况下进行模拟。模型成功捕捉到了 Kelvin-Helmholtz 不稳定性、涡旋配对以及向湍流的转变。点对点误差保持在较低水平（$\sim 10^{-4}$ 至 $10^{-3}$），误差主要集中在高非线性区域（涡核）。
• 泛化能力： 该模型在不同的雷诺数和松弛参数下展现出了鲁棒的泛化能力，且无需重新训练，证实了可变 $\omega$ 编码的有效性。

意义与主张
本文声称，这种混合策略为实现量子计算在流体工程领域的潜力提供了一条切实可行的路径。通过将非酉的 BGK 松弛过程交给闭合形式的电路扩展，并仅使用浅层 VQC 进行非线性平衡态预测，该方法缓解了当前 NISQ 硬件（噪声、有限量子比特、浅层深度）的限制。作者强调，其方法避免了线性化方法带来的指数级门成本，也避开了以往基于 VQC 的 LBM 代理模型所需的重新训练要求。这项工作表明，混合量子-经典策略可以实现极高的精度和泛化性，能够紧密追踪经典解在中等雷诺数流场中的表现，从而验证了量子增强型 CFD 代理模型的可行性。