计算流体力学的量子算法
Quantum Algorithms for Computational Fluid Dynamics
- University of Hamburg（汉堡大学）
- The Hamburg Centre for Ultrafast Imaging（汉堡超快成像中心）
- German Aerospace Center (DLR)（德国航空航天中心）
- Forschungszentrum Jülich（于利希研究中心）
- Institute of Quantum Control (PGI-8)（量子控制研究所）
- University of Cologne（科隆大学）
- Hamburg University of Technology（汉堡工业大学）
- Centre for Quantum Technologies（量子技术中心）
- School of Electrical and Computer Engineering（电气与计算机工程学院）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本文综述了求解计算流体力学偏微分方程的量子算法，涵盖全量子与混合方法，分析其数学结构、局限及基准测试，指出量子优势高度依赖问题条件数等约束，并展望可扩展量子CFD算法的挑战。
AI中文摘要：
我们全面综述了求解计算流体力学（CFD）中出现的偏微分方程（PDEs）的量子方法。我们考察了全量子方法，包括量子线性系统算法（QLSAs），从Harrow-Hassidim-Lloyd（HHL）算法到量子奇异值变换（QSVT）、哈密顿模拟和量子格子玻尔兹曼方法（QLBMs），同时强调混合量子-经典方法，包括量子物理信息神经网络（QPINNs）和振幅编码变分PDE求解器。我们聚焦于与当前含噪处理器和新兴容错架构兼容的硬件无关算法。对于每种框架，我们分析了数学表述、算法结构和主要局限性。我们还研究了张量网络（TN）表示，因为CFD场、微分算子和几何信息通常可以高效地以低秩形式编码。TN形式主义连接了CFD离散化与量子态、算子和电路，使得紧凑表示能够转化为张量可编程变分量子算法（TP-VQAs）。我们进一步回顾了基准问题，包括泊松方程、反应、扩散和非线性模型方程，并评估了量子算法捕捉流体动力学关键特征的能力。我们的分析强调，潜在的量子优势高度依赖于具体问题，并受条件数、表示复杂度、态制备和测量约束的支配。我们概述了面向可扩展CFD量子算法的能力、局限性和挑战。
英文摘要：
We present a comprehensive review of quantum approaches for solving partial differential equations (PDEs) arising in computational fluid dynamics (CFD). We examine fully quantum approaches, including quantum linear system algorithms (QLSAs), ranging from the Harrow--Hassidim--Lloyd (HHL) algorithm to quantum singular value transformation (QSVT), Hamiltonian simulation, and quantum lattice Boltzmann methods (QLBMs), while emphasizing hybrid quantum--classical approaches, including quantum physics-informed neural networks (QPINNs) and amplitude-encoded variational PDE solvers. We focus on hardware-agnostic algorithms compatible with present noisy processors and emerging fault-tolerant architectures. For each framework, we analyze the mathematical formulation, algorithmic structure, and principal limitations. We also examine tensor-network (TN) representations, since CFD fields, differential operators, and geometrical information can often be encoded efficiently in low-rank form. The TN formalism bridges CFD discretizations and quantum states, operators, and circuits, enabling compact representations to be translated into tensor-programmable variational quantum algorithms (TP-VQAs). We further review benchmark problems, including Poisson, reaction, diffusion, and nonlinear model equations, and assess how well quantum algorithms capture key features of fluid dynamics. Our analysis highlights that potential quantum advantage is highly problem dependent and governed by condition number, representational complexity, state preparation, and measurement constraints. We outline capabilities, limitations, and challenges toward scalable quantum algorithms for CFD.
