量子生成模型与湍流

生成模型学习数据的概率分布并从中采样新样本——湍流侧的经典对应物是用 GAN/扩散模型生成流场或修正雷诺应力（见ml-turbulence-closure）。量子生成模型把"分布"装进量子态：量子电路玻尔兹曼机（quantum circuit Born machine, QCBM）直接以 Born 规则输出分布，量子生成对抗网络（quantum GAN, qGAN）用量子生成器对抗经典判别器。首个面向 CFD 的实证来自 Hsain–Abbou：把 LBM 圆柱绕流的涡量场压缩进 VQ-VAE 离散潜空间，再让 QCBM/qGAN 学习潜码分布，QCBM 的生成质量指标同时优于 qGAN 与 LSTM 基线Hsain & Abbou 2025 (arXiv)。

原理：QCBM 与 qGAN

QCBM 把目标分布 $p_{\mathrm{data}}(z)$ 编码为参数化量子态的 Born 分布：线路 $U(\mathbf{\theta })$ 作用于 $|0{⟩}^{\otimes n}$ 得

$$|\psi (\mathbf{\theta })⟩=\sum _z\sqrt{p_{\theta }(z)}|z⟩,p_{\theta }(z)=|⟨z|U(\mathbf{\theta })|0⟩{|}^2,$$

测量即得样本。训练目标让 $p_{\theta }$ 逼近 $p_{\mathrm{data}}$：常用最大均值差异（maximum mean discrepancy, MMD）损失

$${\mathrm{MMD}}^2=\Vert \sum _{x}k(\cdot ,x)-\sum _{\tilde{x}}k(\cdot ,\tilde{x}){\Vert }_{\mathcal{H}}^2=\mathbb{E}[k(x,x^{\prime })]-2\mathbb{E}[k(x,\tilde{x})]+\mathbb{E}[k(\tilde{x},{\tilde{x}}^{\prime })],$$

其中 $x$、$\tilde{x}$ 分别取自数据与模型分布、$k$ 为核（常用多带宽 RBF）。梯度仍由参数移位规则给出——两次移位线路的采样统计差。qGAN 换成对抗训练：量子生成器（变分线路）产生样本，经典判别器（小神经网络）区分真伪，双方在 BCE 损失上极小极大博弈。量子侧的乐观理由：指数大的态空间与纠缠结构可能给出经典参数化难以表达的分布族；结构性代价：每采一个样本要测量一次量子态，训练的样本复杂度直接叠加在线路执行次数上。

LBM 涡量场的潜空间生成（QC062）

图:VQ-VAE 管线——编码器把 256×64 涡量场压成 7 维码,量化到 128 项码本,解码器重构;损失为重构 + codebook + commitment 三项(来源:QC062)

Hsain–Abbou 的管线是三段式Hsain & Abbou 2025 (arXiv)：

1. 数据生成：GPU 加速的 D2Q9 格子玻尔兹曼方法（见lattice-boltzmann、d2q9-lattice）模拟圆柱绕流 Re=500、入口 Ma=0.1，$256\times 64$ 涡量场共 1999 个快照；
2. 潜空间压缩：向量量化变分自编码器（VQ-VAE）把每帧压成 7 维离散潜码，码本含 128 个 7 维 codeword；训练损失为重构 + codebook + commitment 三项（commitment 系数 $\beta =0.2$，直通估计器处理量化不可导），Adam（lr $5\times 10^{-4}$）50 epochs；
3. 潜空间先验生成——三方对比：
   • QCBM：7 个独立的 8 比特电路（各负责一维潜码）× 7 层，$R_y$ 旋转 + 环形 CZ 纠缠；MMD² 损失（RBF 核 $\sigma \in \{0.25,0.5,1.0\}$），Adam（lr 0.1）100 迭代、参数移位求导；
   • QGAN：7 个 10 比特生成器（8 数据比特 + 2 辅助比特）× 6 层，配 3 层经典判别器，BCE 对抗训练 2 epochs；
   • LSTM 基线：单层 256 隐单元、teacher forcing、MSE、100 epochs。

图:QCBM 的两层结构——R_y 参数化旋转与环形 CZ 纠缠交替,Born 分布直接输出 8 比特潜码分布(来源:QC062)

三方全部在 PennyLane lightning.gpu 仿真器（RTX 4060）上经典仿真。生成质量用两组代理指标衡量：平均最小距离（每个生成样本到最近真实样本的距离均值，越小越好）与最近邻覆盖（被生成样本命中的真实样本数）。结果：平均最小距离 QCBM $\approx 0.8$ < QGAN $\approx 1.5$ < LSTM $\approx 2.4$；QCBM 的最近邻覆盖超过 1600/1999——纯量子、无判别器的 QCBM 反而全面领先。

批判性评估与经典对照

作者的自我批判值得完整转述：明确不主张量子优势——单一基线（LSTM）、训练预算不均（100 迭代对 100 epochs）、单次运行无误差棒、代理指标不等于下游流体统计保真度；论文给出五条竞争性解释假设并把这一定位为”量子生成模型 × CFD 潜空间学习”的首个探索性基准。与经典生成式湍流模型的对照同样悬殊：经典 GAN/扩散模型已直接生成高维流场并嵌入物理约束（守恒律、可实现性），量子管线目前只在 7 维离散潜空间上学分布——全场生成的编码/解码（VQ-VAE）完全经典。

该方向的合理预期因此分两层：近期，量子生成模型作为低维潜空间的先验学习器接入经典自动编码器管线（与quantum-rom的混合结构同构），在参数效率与模式覆盖上找增益；远期，若态制备与读出成本下降，指数态空间对高维分布的表示潜力才可能兑现——这一条件与其他 QML 路线面临的io-problem完全相同。

延伸阅读

• ml-turbulence-closure
• quantum-rom
• quantum-reservoir-computing
• qml-cfd-landscape