⚛️ quantum physics

A Scalable Approach to Solve the Carleman Linearized Burgers' Equation on a Quantum Computer

本文提出了一种通过结合用于状态加载的非幺正算符线性组合、用于克服贫瘠高原的多网格变分量子线性求解器，以及在支持代表高达 $2^{80}$ 个离散化点的电路的真实与模拟硬件上的成功演示，来求解 Carleman 线性化 Burgers 方程的可扩展量子方法。

原作者： Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

发布于 2026-07-13

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

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

想象一下，你要教一个机器人如何预测一滴墨水在玻璃杯水中旋转和混合的过程。问题在于，这个机器人是按照严格的直线规则构建的（它是一个“线性”机器），但旋转的墨水遵循的是混乱、弯曲且不可预测的规则（它是“非线性”的）。这就像试图只通过教狗如何衔取木棍来让它学会微积分一样。

这就是科学家在尝试利用量子计算机模拟流体动力学时面临的巨大障碍。但在本项研究中，来自美国海军研究实验室（U.S. Naval Research Laboratory）和 BlueQubit Inc. 的研究人员发现了一个聪明的变通方法，让机器人能够理解这种旋转。他们并没有试图强迫机器人直接进行那些混乱的数学运算；相反，他们使用了一种叫做**卡雷曼线性化（Carleman linearization）**的技巧。

把这个技巧想象成将一个复杂、混乱的故事翻译成一张巨大的、枯燥的电子表格。通过扩展这个故事，他们将伯格斯方程（Burgers' equation）（一种著名的流体流动模型）中那些混乱、弯曲的方程转化为了一个庞大的、直线型的方程组。一旦问题被转化到了这张电子表格上，他们就可以使用现有的专门用于处理直线问题的量子工具来求解。

“加载”问题与“魔法钥匙”
第一个挑战是如何将这张巨大的电子表格加载到量子计算机中。通常情况下，加载海量数据需要花费极长的时间，就像试图在一秒钟内把整个图书馆上传到手机里一样。团队使用了一种名为**非酉算符线性组合（LCNU）**的新方法。

想象你有一个锁着的盒子（数据）和一套钥匙。旧的方法试图用一百万个微小的碎片来制作一把万能钥匙，这既慢又笨拙。新的 LCNU 方法就像拥有几把特殊的、略显奇特的钥匙（非酉算符），只需借助一个额外的助手（一个额外的量子比特），这些钥匙就能轻松转化为完美的钥匙。这使得无论流体点阵的网格有多大，他们都能高效地加载数据。

“贫瘠高原”陷阱与“热启动”
一旦加载了数据，他们就需要使用一种叫做**变分量子线性求解器（VQLS）**的方法来求解方程。但问题在于：如果你只是随机猜测答案，计算机就会迷失在一个被称为“贫瘠高原（barren plateau）”的广阔、平坦的沙漠中。这就像是在黑暗中寻找一个巨大且平坦的碗底；你可以走上数英里，却永远不知道自己是否正在接近解。

为了解决这个问题，团队使用了一种**多网格（multigridding）**策略。他们没有从完整的高清谜题开始，而是从一个微小的、模糊的版本（粗网格）开始。他们先解出这个版本，然后将该答案作为“热启动（warm start）”（一个有用的提示）来求解一个稍大一点的版本，接着再求解一个更大的版本。这就像学习骑自行车：你从带辅助轮开始，然后换一辆小自行车，最后换一辆大自行车。等到他们到达全分辨率时，计算机并不会迷失在沙漠中；它已经走在了正确的路径上。

结果：模拟与真实硬件
团队通过两种方式测试了这一工作流：

模拟： 他们在强大的计算机模拟器上运行了整个过程。他们发现，“热启动”多网格方法是一个游戏规则的改变者。一个天真的、随机的起点只能达到约 1% 的准确度（收敛至 $10^{-2}$ ），而多网格方法则能达到 0.1% 的准确度（ $10^{-3}$ ）。流体波纹并没有仅仅消失，它们实际上在移动，表现得就像真实的水一样。
真实硬件： 随后，他们在实际的量子计算机上运行了一个较小规模的问题，使用的是来自 IBM 的处理器（具体为 Heron r3 和 Nighthawk）。即便面对当今这些带有噪声、充满故障的机器，他们也成功得到了解。他们使用了一种聪明的方式来分配他们的“采样次数（shots）”（即运行实验的次数），使得数学中最重要的部分能获得更多的关注。结果显示，虽然机器产生了一些误差，但该方法仍然有效，其中 ibm_boston 处理器的表现最为出色。

展望未来：前景光明吗？
研究人员并未止步于目前的成果；他们还进行了“资源评估”，以观察这在未来是否能应用于大规模的现实世界问题。他们计算了对于拥有高达 $2^{40}$ （约 1024）个空间和时间结合点的量子计算机的情况。

他们的计算表明，随着未来更低噪声、更高速的硬件出现，这种方法实际上可以比处理此类问题的经典超级计算机运行得更快。他们估计，在未来的 IBM 处理器上，可能只需要大约 $10^2$ 小时（几天时间）就能达到“量子优势（quantum advantage）”，即量子计算机超越最佳经典方法的状态。

然而，论文谨慎地指出，这只是一个概念验证和对未来的建议，而非最终成品。仍然存在巨大的障碍：

噪声： 今天的量子计算机对于处理最大的问题来说仍然过于嘈杂。
截断： 他们使用了最小的“截断阶数（truncation order）” $\alpha = 2$ 。虽然这在测试中有效，但更复杂的湍流可能需要更高的阶数，这会使系统呈指数级增大且更难求解。
条件性： 背后的数学逻辑可能是“病态的（ill-conditioned）”，这意味着微小的误差可能会放大成巨大的错误，因此需要仍在开发中的特殊“预处理（preconditioning）”技术。

简而言之，该团队构建了一个连接混乱的流体世界与直线型量子计算机世界的桥梁原型。他们证明了跨越这条河流是可能的，但这座桥梁仍在建设中，他们需要更好的材料（噪声更低的硬件）来应对现实世界风暴带来的重载交通。

技术摘要：一种在量子计算机上求解 Carleman 线性化 Burgers 方程的可扩展方法

问题陈述
在量子计算机上模拟流体动力学面临着一个根本性挑战：量子计算机本质上是线性机器，而流体动力学受非线性偏微分方程（PDE）支配，例如 Burgers 方程。为了弥补这一差距，采用了 Carleman 线性化方法，将有限维非线性常微分方程（ODE）转化为无限维线性 ODE，随后通过截断形成有限线性系统。然而，在量子硬件上求解这些系统面临两个主要障碍：

数据加载效率： 生成的线性系统矩阵随空间和时间离散点的数量呈指数级增长。使用仅有的多项式对数级经典资源将这些矩阵高效地加载到量子硬件中并非易事，特别是当标准的算子线性组合（LCU）方法面临较差的扩展性时。
优化障碍： 变分量子线性求解器（VQLS）虽然能够处理大型系统，但容易受到“贫瘠高原”（barren plateau）现象的影响，即由于搜索空间呈指数级扩大以及随机初始化问题，导致基于梯度的优化难以收敛。

方法论
作者提出了一个综合工作流来解决这些挑战，并在具有周期性边界条件的 1D Burgers 方程上进行了验证。

线性化与零填充： 通过 Carleman 线性化对 Burgers 方程进行离散化，将其转化为线性系统 $L\vec{Y} = \vec{B}$ 。为了便于高效分解，作者采用了零填充策略，将系统嵌入到一个更大的维度空间中。这使得该矩阵可以被分解为特定非幺正矩阵的线性组合，这些矩阵可以以极低的开销被平凡地编码为幺正矩阵。
高效数据加载 (LCNU)： 该研究并未采用标准的 LCU 方法，而是使用了非幺正算子线性组合（LCNU）。作者推导出了 Carleman 线性化矩阵的一种分解方式，其中项数与空间和时间离散点无关。具体而言，矩阵被分解为 $N_s = \frac{1}{2}(9\alpha^2 + \alpha + 8)$ 项，其中 $\alpha$ 是截断阶数。这种分解依赖于增量器/减量器电路以及特定的泡利算子结构，确保了数据加载策略呈多项式对数级缩放。
带有多网格策略的变分求解器： 使用变分量子线性求解器（VQLS）求解线性系统。为了缓解贫瘠高原问题，引入了多网格策略。问题通过一系列阶段进行求解，从粗糙的空间和时间离散化开始。粗糙阶段的解（变分参数）被用作下一更细阶段的“热启动”（warm start）。这种系统性的初始化相比于朴素的随机初始化，显著提高了收敛速率。
采样分配（Shot Allocation）： 开发了一种高效的采样分配方法，用于在评估代价函数所需的各种电路之间分配固定的总采样次数（shots）。通过最小化代价函数的方差，将更多的采样分配给系数较大的项，从而在固定计算预算下优化精度。

核心贡献
论文概述了五项主要贡献：

改进的数据加载： 一种针对 1D Carleman 线性化 Burgers 方程的策略，其 LCNU 分解中的项数与离散网格大小无关。
多网格策略： 一种针对 Carleman 线性化系统的空间和时间多网格方法，通过提供系统性的热启动来避免贫瘠高原。
采样分配： 一种根据系数大小分配采样的方法，以最大化固定预算下的精度。
概念验证： 在量子模拟器和真实量子硬件（IBM Heron r3 和 Nighthawk 处理器）上展示了该工作流。
资源评估： 对高达 $2^{40}$ 个组合空间和时间点的电路进行转译的资源评估研究，表明该方法在未来硬件上具有高效的可扩展性。

结果

模拟： 在量子模拟器上，多网格方法使代价函数收敛至约 $10^{-3}$ ，而采用随机初始化的朴素方法仅能达到 $10^{-2}$ 。多网格解成功捕捉了关键物理特性（波形阻尼和非线性平流），而朴素解则表现出过度阻尼且未能捕捉到非线性输运。
真实硬件： 工作流在 IBM 量子处理器（ibm_pittsburgh, ibm_boston, ibm_miami）上执行了一个多网格阶段（ $2^3$ $2^{3}$ 空间点， $2^2$ $2^{2}$ 时间点）的单次优化迭代。
- 对于嵌入电路，Nighthawk 处理器（方格点阵）比 Heron r3（重六角点阵）具有更浅的电路深度。
- 在 ibm_boston 上使用带有误差缓解（韧性等级 2）的 Estimator 原语，将代价函数变量的 2-范数误差降低至 0.27，相比之下，未经过缓解的 Sampler 运行误差在 1.33 到 2.92 之间。
- 研究证实，尽管存在当前水平的噪声，对于小规模实例仍可获得准确解。
可扩展性： 资源评估表明，随着未来相干时间和门保真度的提升，所提出的方法可以实现针对具有指数级庞大离散点（例如 $2^{40}$ 个点）问题的量子优势，且使用大约 $O(10^2)$ 个量子比特，在专用系统上的执行时间在 $O(10^2)$ 小时范围内。

意义与声明
论文声称提出了一种可行的工作流，用于在量子计算机上求解非线性偏微分方程，并且在当前计算限制内表现良好。作者强调，其方法论展示了向空间和时间离散点呈指数级规模扩展的路径，前提是硬件退相干时间得到改善。

作者在讨论未来影响时保持了谨慎的语气，明确指出了以下几点注意事项：

当前的截断阶数（ $\alpha=2$ ）是最低要求；更高阶数（复杂流场/湍流所需）可能会导致误差率的发散或系统规模的指数级增长。
对于大规模系统，Carleman 线性化矩阵的病态条件可能需要量子预处理，这是目前正在研究的方向。
由于当前硬件噪声的限制，多网格方法在指数级庞大系统上的有效性尚未得到经验验证。
初始条件的态制备以及最终解的高效读取仍然是重大挑战。

最终，这项工作作为一个概念验证，结合了高效的数据加载、变分优化策略和误差缓解技术来求解非线性流体动力学问题，表明一旦硬件约束得到缓解，实现量子优势在理论上是可能的。

技术摘要：一种在量子计算机上求解 Carleman 线性化 Burgers 方程的可扩展方法

类似论文