量子降阶模型

降阶模型（reduced-order model, ROM）把全阶 CFD 解压到少数 POD 模态系数上、再用数据驱动模型学其时间演化——这是工程流体最实用的数据驱动形态。量子 ROM 把其中两个计算热点量子化：本征分解与时间演化代理。Li–Lou–Xiao（同济大学）的 QPOD-QDKL 框架用变分量子本征求解器算 POD 模态、用量子深核学习（quantum deep kernel learning, QDKL）学演化，在三个 Re=4000 基准上实现同精度 10 倍训练提速并附带理论泛化界Li et al. 2025 (arXiv)；Asztalos 等则把 DMD 推进 QUBO 化交退火/QAOA 求解Asztalos et al. 2024 (JCP)。

POD/DMD 回顾

收集 $n_s$ 个快照（每快照 $m$ 个自由度）组成快照矩阵 $S$，本征问题

$$S^{T}S{\varphi }_i={\lambda }_i{\varphi }_i,{\lambda }_1\ge {\lambda }_2\ge \cdots ,a_i(t_k)=⟨u(t_k),{\varphi }_i⟩$$

给出能量排序的正交基（等价于对 $S$ 做 SVD）；取前 $r$ 阶即得 $r$ 维潜空间，全场由 $u\approx {\sum }_{i\le r}{a}_i{\varphi }_i$ 重构。非侵入式 ROM（NIROM）不再假设潜空间动力学形式，而用神经网络/高斯过程等从数据学 $a(t)$ 的演化——流体侧的经典谱系见ml-turbulence-closure。两个计算热点：本征分解对 $n$ 维对称阵是 $O(n^3)$；时间演化代理的训练与推断。量子 ROM 分别对这两点下手。

QPOD：变分量子本征求解

Li 等把 POD 核心的对称特征值问题 $M{u}_i={\lambda }_i{u}_i$ 交给变分量子本征求解器（variational quantum eigensolver, VQE 结构）Li et al. 2025 (arXiv)：对称阵做 Pauli 分解 $M={\sum }_k{c}_k{A}_k$（$A_k$ 为泡利串），参数化 ansatz $U(\mathbf{\theta })$ 把标准正交基映成特征基，期望值经 Hadamard 测试估计，损失函数取

$$\mathcal{L}(\mathbf{\theta })=\Vert M-\sum _j⟨M{⟩}_j|u_j⟩⟨u_j|{\Vert }_2,$$

即”投影回原矩阵的残差”——最小化它等价于让 $\{|u_j⟩\}$ 张成 $M$ 的特征子空间。复杂度对比：变分量子本征求解为 $O(N^2)$（Pauli 分解项数 × 期望估计）对经典 SVD 的 $O(N^3)$——多项式级的渐近改善，实际增益取决于矩阵结构与测量预算。

QDKL：量子深核学习与可证的 Jacobian 界

图:QPOD-QDKL 全量子非侵入式 ROM——上半:QPOD 从快照矩阵提取模态;下半:QDKL 学 POD 系数的时间演化(来源:QC065)

时间演化侧用深核学习（deep kernel learning, DKL）的量子版：经典预处理网络输出经 sigmoid/tanh 限幅到 $[0,\pi /2]$ 的角度，$R_Y$ 角度编码进量子比特，再经变分块 $V(\mathbf{\theta })$ 生成量子特征映射

$${\varphi }_j(x)=⟨0|U^{†}(x)V^{†}(\mathbf{\theta })O_{j}V(\mathbf{\theta })U(x)|0⟩,$$

映射值构成高斯过程（GP）回归的深核（Matérn $\nu =2.5$），端到端最大化 GP 对数边际似然训练——小样本回归天然带不确定度量化。理论贡献是泛化界（QC065 的 Eq. 22）：

$$|s(x)-f(x)|\le C\Vert f{\Vert }_{H_k}\Vert J_{\varphi }{\Vert }_F\Vert \delta \Vert ,$$

误差被特征映射的 Jacobian 范数控制——经典神经网络的 $\Vert J_{\varphi }{\Vert }_F$ 无先验上界（对输入扰动可能任意敏感），而量子特征映射由参数移位规则给出逐元素界，从而

$$\Vert J_{\varphi }{\Vert }_F\le \sqrt{m_1{m}_2}\Gamma$$

（$\Gamma$ 为可测的常数）——Lipschitz 常数先验可控、泛化界更稳。一维玩具函数 $f(x)=\sin x+0.1x^2$ 上量子版测试误差确实更小。

图:QDKL 结构——经典预处理网络衔接角度编码与变分块,量子特征映射进入 GP 回归的深核(来源:QC065)

三个 Re=4000 基准的结果

算例	网格/快照	结果
顶驱方腔流	2211 节点非结构网格，256 快照（160 训练）	预测 $t=7.68$ 场，低秩下误差受控
圆柱绕流	2106 节点，800 快照（512 训练）	预测 $t=8$，准确捕捉涡脱频率与尾迹结构
锁交换重力流	3250 节点，256 快照	15 基时 RMSE$\to 0$、相关系数 $\to 1$、能量占比 99.9%

总体结论：与经典 POD-DKL 同精度下训练 epoch 300 对 3000（10 倍提速），参数量为经典的 $1/N$（$N$ 为输入维数）Li et al. 2025 (arXiv)。

DMD-QUBO 路线与两条路线的对照

Asztalos 等的量子 ROM（QC064）量子化的不是本征分解而是推进：DMD 的 $a_{k+1}=A{a}_k$ 改写为残差最小化、定点编码进 QUBO、交量子退火/QAOA（机制见quantum-annealing-cfd）；圆柱 Re=220 与 NACA0009 上验证了可行性，但精度受定点位数与截断阶 $r$ 挤兑、规模上无优势。两相对照：QPOD-QDKL 是门式变分路线（表达力与训练效率增益、含理论界），DMD-QUBO 是退火路线（组合化但精度受限）——它们与variational-pde-solver的多网格编码构成”ROM 视角”的三个入口：前两者是数据驱动的潜空间（从快照学），后者是物理内禀的潜空间（从 Schmidt 分解与方程结构来）。量子 ROM 的诚实评估：增益集中在小参数量、快收敛、Jacobian 可控三点；测量开销、编码瓶颈与经典强基线（如 SVD 本身高度优化）的对照仍是开放问题。

延伸阅读

• quantum-annealing-cfd
• variational-pde-solver
• quantum-reservoir-computing
• ml-turbulence-closure
• quantum-kernel-methods