量子退火（quantum annealing, QA）与 Ising 机不解微分方程——它们最小化二次无约束二元优化（quadratic unconstrained binary optimization, QUBO）问题 。因此它与 CFD 的接口不是”直接解 NS”，而是把 CFD 工作流中的优化子问题QUBO 化：Asztalos 等把动态模态分解（dynamic mode decomposition, DMD）降阶模型的时间推进改写为 QUBO，交由量子退火与 QAOA 求解并在圆柱绕流与翼型绕流上验证Asztalos et al. 2024 (JCP)；Yuan 等的 qSVM 训练（见quantum-kernel-methods）是同构路线。适用画像由此清晰：组合优化子问题优先，连续求解谨慎。
QUBO 映射原理：从连续问题到比特翻转
退火机的物理是绝热（或 diabatic）演化：哈密顿量从容易制备的横场混合项 缓慢过渡到编码目标函数的 Ising 项
系统倾向落入低能组态——退火返回的不是单个最优解而是低能解系综。把连续优化问题放上退火机需要三步机械操作：定点二进制编码（把每个实变量 展开为 ，底数 与位数 是精度超参，位数即 QUBO 变量的乘数）；二次化（目标与约束中超过二次的多项式引入辅助变量降次）；罚函数（把等式/不等式约束以 并入目标）。代价结构随之显形：QUBO 规模随”变量数 × 位数”增长，约束罚项系数 过小则违约解冒充低能解、过大则能景崎岖——精度、规模、可解性三者互相挤兑，这是 QA 应用于连续数学问题的普遍税。
DMD 降阶模型的 QUBO 化（QC064）
Asztalos–Steijl–Maulik（Argonne/Glasgow）的切入点是 ROM 的时间推进Asztalos et al. 2024 (JCP)：设 POD 已把流场快照降到 维系数向量 ，DMD 用线性算子 推进 。他们把这一步改写为优化问题——下一步系数向量由最小化 DMD 残差得到——再将系数的定点二进制表示编码进 QUBO，给出两条近期路线：量子退火（D-Wave 类硬件）与门式 QAOA（quantum approximate optimization algorithm，交替代价/混合层电路）。验证算例：
- 二维圆柱绕流 Re=220（涡脱落）；
- NACA0009 翼型 Re=500、（POD 系数表征）。
结论很诚实：QUBO-QAOA 的预测质量取决于定点位数与 DMD 截断阶 ——位数不足时重构误差系统性增大（上图）；在当前规模上没有超过经典 DMD 的表现，论文定位为可行性论证并对容错期做复杂度展望。该文同时系统综述了 QA 解线性方程组/最小二乘的前史（Rogers–Singleton、O’Malley–Vesselinov、Borle–Lomonaco、Zanger 等）——那条”用退火解线性代数”的支线与vqls代表的门式变分路线平行，但规模与精度受同样的定点编码税限制。
Ising 机与谱方法的探索
退火机家族的近亲 Ising 机（相干 Ising 机、模拟退火专用机等）也出现在流体语境中：Fluid Dynamics Research 2024 有工作倡议在 Ising 机上实现谱方法（“Implementation of spectral methods on Ising machines: toward flow simulations on quantum annealers”，DOI 10.1088/1873-7005/ad8d09）；另有 SpliTech 2024 会议论文直接以量子退火解 NS 方程为题。两者均无 arXiv 版本、全文未能获取，其技术路线无法在本词条内核实——只作为文献坐标记录，读者宜以原文为准。谱方法与 Ising 机的可能接口（把模态截断/配点选择表述为组合问题）目前停留在概念层面。
适用问题画像
| 问题形态 | QA 适配度 | 流体实例 |
|---|---|---|
| 组合优化（选择/指派/离散设计） | 高——原生 QUBO | 降阶模型阶数选择、传感器/测点布点、特征选择 |
| 带约束 QP（机器学习训练） | 中——定点编码可行 | qSVM 对偶（QC061） |
| 连续线性代数（方程组/最小二乘） | 低——精度-位数挤兑 | DMD-QUBO（QC064）、QA 解线性系统前史 |
| 连续非线性 PDE | 极低——需多重线性化+编码爆炸 | 仅概念性尝试（SpliTech 2024） |
结构性结论：量子退火在 CFD 中的正确位置是混合工作流中的经典-量子接口——经典求解器生产快照与降阶模型，量子退火解决嵌在其中的组合优化子问题，结果回流经典端（与hybrid-quantum-classical的循环结构一致）。它的优势不与门式量子算法的渐近加速竞争，而与”是否恰好有组合结构可挖”强耦合；低能解系综的特性（多样近优解）反而在机器学习训练里有独特正则化价值（QC061 的多解平均分类器）。