量子启发张量网络与流体

张量网络（tensor network, TN）是量子多体物理为压缩指数大波函数发明的低秩表示；把它作用于函数而非量子态，就得到”量子启发”的经典 CFD 工具——不依赖量子硬件，却借用希尔伯特空间、纠缠、面积律这些量子概念。三条代表线：Gourianov 等把湍流反应流的概率密度函数（PDF）编码为矩阵乘积态（matrix product state, MPS）直接时间演化，报告数个量级加速且保精度Amaral et al. 2025 (Braz. J. Phys.)（转引）；Gómez-Lozada–Gourianov–Salman 等用 quantics MPS 直接演化 Gross–Pitaevskii 方程的量子湍流（含 $2048^3$ 格点的涡线重连）Gómez-Lozada et al. 2025 (PRApplied)；Mello 等则反过来问：什么样的流场数据对这类压缩最友好——用纠缠与魔法（non-stabilizerness）双度量给出可操作判据Mello et al. 2025 (arXiv)。

MPS 与 quantics 编码：尺度装进比特

把 $2^N$ 个格点值 $f_m$ 看作 $N$ 阶张量的分量，MPS 把它分解为 $N$ 个小张量（矩阵）的链：

$$f_{n_1{n}_2\cdots n_N}=\sum _{\{\alpha \}}{A}_{n_1;{\alpha }_1}^1{A}_{{\alpha }_1{n}_2;{\alpha }_2}^2\cdots A_{{\alpha }_{N-1};n_N}^N,{\alpha }_k\le \chi ,$$

参数量从 $2^N$ 降到 $O(N{\chi }^2)$——键维数（bond dimension）$\chi$ 是压缩旋钮。量子多体的面积律经验（基态纠缠有界 ⇒ 小 $\chi$ 可表示）迁移到函数上的关键是 quantics 表示：格点坐标写成二进制 $x_m=L\cdot \bar{m}/2^N$、$\bar{m}=n_1{n}_2\cdots n_N$，于是第 $l$ 个比特索引对应 $L\cdot 2^{-l}$ 的长度尺度——MPS 的链结构变成”尺度链”。湍流的 Richardson 级串意味着跨尺度关联有限（能量逐尺度传递而非全局耦合），因此尺度间的”纠缠”可截断、$\chi$ 适度即可保真——这正是 quantics MPS 对湍流有效的物理原因（见kolmogorov-cascade）。

Gourianov 湍流 PDF 的 MPS 演化

图:不同键维数 χ 与混合参数 C_Ω 下 MPS 模拟与精确解的对比——中等 χ 已捕获湍流 PDF 的关键统计特征,精度随 χ 增长(转引自 QC008 图 8,原自 Gourianov et al. 2025)

湍流反应流的完整单点 PDF 满足高维 Fokker–Planck 型方程——直接离散的维度灾难使其长期不可解。Gourianov 等把高维 PDF 编码为 MPS、算符写成矩阵乘积算符（MPO）后在 TN 形式下直接时间演化，报告相对标准方法数个量级的内存与运行时间缩减且保精度；2025 年综述转引其结果（上图）并强调：精度随 $\chi$ 系统性改善，强亚格子混合（大 $C_{\Omega }$）需要更大 $\chi$，但中等 $\chi$ 已复现 PDF 的关键统计特征Amaral et al. 2025 (Braz. J. Phys.)。这是”量子启发 CFD 已有可兑现收益”论断的主要证据来源之一。

quantics MPS 量子湍流（QC037）

Gómez-Lozada 等把同一框架用于量子流体侧——阻尼 Gross–Pitaevskii（GP）方程

$$i\hslash {\partial }_t\psi =[-\frac{{\hslash }^2}{2m}{\nabla }^2+g|\psi {|}^2-i\gamma ]\psi$$

的 quantics MPS 求解器Gómez-Lozada et al. 2025 (PRApplied)。时间演化用 Strang 分裂 + 时变变分原理（TDVP）：动能项（MPO 键维 $\eta \sim O(1)$）成本 $O(dN{\chi }^3)$，非线性相互作用项（$\eta \sim \chi$）成本 $O(dN{\chi }^4)$——后者是主要瓶颈。基准与湍流结果：

• 单激发基准：一维暗孤子、二维涡偶极、三维涡环的演化与 DNS 对齐；
• 涡线重连：四条涡线、$L=512\xi$ 域、每轴 11 比特（间隔 $\xi /4$）——$2048^3\approx 10^{10}$ 格点，单个 DNS 快照需约 128 GB 内存，MPS 以小得多的内存复现重连拓扑变化、重接后的 Kelvin 波传播与涡环发射；
• 湍流态：一维孤子气体、二维随机涡分布、三维涡缠结（约 $2^{30}$ 格点 ≈ 30 比特/系统）；MPS 的内存压缩率与孤子/涡密度成正比；不可压动能谱以极小内存开销恢复。

总体内存缩减从 10 倍到逾 $10^4$ 倍。物理意义：量子湍流的长度尺度关联结构（ heal­ing length $\xi$ 到系统尺度 $L$）被 quantics 尺度链天然捕捉。

图:二维湍流态(随机涡分布)的密度剖面——DNS 与 χ_max=360 的 quantics MPS 演化结果在相同时间点上吻合(来源:QC037)

流场数据的纠缠与魔法度量（QC066）

图:归一化纠缠与魔法随剪切数 S、剪切宽度 w 的相图(三列对应不同 Re)——w 把数据划分为"资源密集"与"资源高效"两相,且与 Re、S 几乎无关(来源:QC066)

Mello 等从数据侧提出一个此前没人问的问题：什么样的流场数据对张量网络/量子算法友好？他们对二维周期不可压剪切流数据集（NS + 示踪场方程，初值由剪切数、blob 数与剪切宽度 $w$ 参数化；最大 $256\times 512$ 网格）用 comb 映射编码为 MPS（${\chi }_{\max }=256$，压缩到 $\epsilon =10^{-8}$ 视为无损），再用两个量子资源度量评估：von Neumann 纠缠熵（TN 压缩的常规代价）与 stabilizer Rényi 熵（SRE，$\alpha =2$）度量的魔法（non-stabilizerness——超出 Clifford 群的”量子性”，量子算法与稳定子模拟器复杂度的另一维）Mello et al. 2025 (arXiv)。结论：

• $\mathrm{Re}\in \{10^4,10^5,5\times 10^5\}$、$S\in [0.1,10]$ 扫描下两种资源定性同步演化；
• 最振荡的初值下，剪切宽度 $w$ 把数据划分为”资源密集/资源高效”两相，且该划分与 Re、S 无关——数据生成参数而非流动强度决定可压缩性；
• 网格过粗会人为抬高纠缠与魔法（长程伪相关）——TN 分析前要先做分辨率收敛；
• 把数据整体平移为非负（破坏符号结构）后键维数平均降约 17%、纠缠约 17%、魔法约 27%——与张量网络”符号问题”的讨论呼应。

这组结果给”数据驱动量子 CFD”提供了独特的基础设施：在选择编码、选择算法之前，先量化数据本身的量子资源画像。

TN 与量子计算的双向关系

两个方向都已开动。量子→经典：TN 是模拟量子算法的经典工具（dequantization 论证的技术基础，见quantum-kernel-methods），也是变分量子算法 ansatz 设计的灵感源——MPS 型 ansatz 与多网格重正化编码直接同构（见variational-pde-solver）。经典→量子：quantics 态本身就是多比特量子态——QC037 的作者明确指出，量子计算机可以原生编码 quantics ansatz 的尺度间纠缠，浅线路扩展到量子硬件是该方法的自然下一步；在更宏观的图景里，TN 可以充当量子工作流的预处理压缩层（把高维流场压成低 $\chi$ 态再装载）。与 Koopman 嵌入的”低阶边缘分布 + 张量闭包”策略（见koopman-quantum）合起来看，“用张量结构换维度”是跨越经典/量子界限的一条主线——这也是综述把 TN 而非 VQA 判为近期最有希望路线的依据Amaral et al. 2025 (Braz. J. Phys.)。

延伸阅读

• variational-pde-solver
• koopman-quantum
• qml-cfd-landscape
• kolmogorov-cascade
• quantum-turbulence-simulation