变分量子 PDE 求解

变分量子 PDE 求解不构造演化算符、也不离散成线性系统交给 HHL——而是参数化一个试探态 $|f_{\theta }⟩$，把方程的物理约束写成量子态上的期望值泛函，用经典优化器调线路参数。Lubasch–Joo–Moinier–Kiffner–Jaksch 的量子非线性处理单元（quantum nonlinear processing unit, QNPU）用多变分态副本实现非线性泛函的测量Lubasch et al. 2020 (PRA)；Jaksch–Givi–Daley–Rung 随后把它上升为 VQCFD 框架并给出对 Reynolds 数的多项式优势论据Jaksch et al. 2023 (AIAA J)。它与quantum-pinn共享变分哲学，但代价函数的构造方式完全不同。

变分框架与量子非线性处理单元

取 $N$ 比特归一化态 $|\psi (\mathbf{\theta })⟩=U(\mathbf{\theta })|0⟩$ 表示试探函数，代价泛函取多副本结构（QC005 的 Eq. 1）：

$$F=f^{(1)\ast }{\Pi }_{j=1}^r\left(O_j{f}^{(j)}\right),$$

其中 $f^{(j)}$ 是第 $j$ 个副本上的试探函数（同一 $\mathbf{\theta }$ 的相干副本），$O_j$ 是问题算符——微分算符经其量子表示作用，非线性幂次 $f^r$ 由 $r$ 个副本的乘积承载。例如一维 Burgers 方程 $f_t=-f{f}_x+\nu f_{xx}$ 的时间推进中，对流项 $f{f}_x$ 需要两个副本：一个作用平移/求导算符（比特移位的加法器电路实现导数），一个保持原函数，乘积经受控辅助（ancilla）电路读出。代价

$$C=\sum _k\mathrm{Re}\{F_k\}$$

由 ancilla 比特测量估计，$\mathrm{Re}\{F_k\}$ 对应受控-受控序列的期望值；参数梯度仍由参数移位规则给出，经典端做无梯度或有梯度优化。门数优势的来源是双重的：少量比特（见下的对数编码）与浅层 ansatz 就能承载指数大的函数空间，而代价函数只需估计少数期望值、不必逐格点评估残差；代价是每次测量的统计开销、非凸优化地貌，以及下述的归一化问题。

归一化矛盾：量子态恒归一化，而 PDE 解的范数随时间演化。处理办法是引入额外的经典变分参数 ${\lambda }_0$，令 $|f(t)⟩={\lambda }_0|\psi (t)⟩$——模长由经典参数携带，方向由量子态携带，每次迭代重估 ${\lambda }_0$。

多网格重正化编码：M 个格点进 log M 个比特

幅值编码 $|f⟩={\sum }_i{f}_i|i⟩/\Vert f\Vert$ 用 $N$ 比特装下 $M=2^N$ 个格点值——但通用态制备要 $O(2^N)$ 个门（见state-preparation）。VQCFD 的出路是把多网格分解做进编码本身：对试探函数做层级 Schmidt 分解，

$$|\psi ⟩=\sum _{\alpha }{\lambda }_{\alpha }|R_{\alpha }({\mathbf{X}}_k)⟩|f_{\alpha }({\mathbf{x}}_l)⟩,$$

其中 ${\mathbf{X}}_k$ 是最粗网格（$2^{N-1}$ 细格点二分为两个子网格）、${\lambda }_{\alpha }$ 为 Schmidt 系数。粗网格函数 $R_{\alpha }$ 的幅值编码放进前两个比特，剩余自由度递归二分、逐层 SVD——这正是一个矩阵乘积态（MPS）式的表示。若每层 Schmidt 谱快速衰减（函数跨尺度关联弱），则浅层 ansatz 即可高效制备：这是 VQCFD 对湍流场可压缩性的直接下注。

Burgers 与 Kuramoto–Sivashinsky 演示

Lubasch 等在 PRA 快报中演示了该框架对非线性问题的适用性Lubasch et al. 2020 (PRA)：一维 Burgers 方程的显式 Euler 时间推进（QNPU 电路由加法器与求导块组成），以及 Kuramoto–Sivashinsky 型方程的变分求解；变分参数由经典优化器更新，数值解与精确解在中小规模下吻合。该文同时论证了 ansatz 的纠缠优势：深度 $d$ 的变分 ansatz 可携带纠缠 $S_{\max }\lesssim d$，而经典 MPS 表示同样态需键维数 $\chi \sim e^S$、内存 $\sim N{\chi }^2$——纠缠增长时量子 ansatz 的参数量对 MPS 指数减少。

VQCFD 框架：物理内禀 ROM 与 Re 优势论据

图:QNPU 架构——四个试探态寄存器经问题算符 O_j 作用后与 ancilla 代价函数网络耦合,测量 ancilla 得代价与梯度(来源:QC005)

Jaksch–Givi–Daley–Rung 的视角文章把上述组件整合为 VQCFD（variational quantum algorithm for CFD）并给出优势的时间表论证Jaksch et al. 2023 (AIAA J)。核心是物理内禀的降阶模型（ROM）论据：变分态的表示力由其 Schmidt 截断决定，而流体场恰好低秩可压缩。他们引用团队的数值实验测量了 99% 精度所需的 Schmidt 数 ${\chi }_{99}$：

图:99% 精度所需 Schmidt 数 χ₉₉ 随 Re 的标度——3D Taylor-Green 涡中 χ₉₉ ∝ Re^0.71,二维时间发展射流中与 Re 解耦(来源:QC005)

• 三维 Taylor–Green 涡：${\chi }_{99}\propto R{e}^{0.71}$——多项式增长；
• 二维时间发展射流：${\chi }_{99}$ 与 $Re$ 解耦（$R{e}^0$）。

论证链条因此是：经典 MPS 模拟该态的成本 $\propto {\chi }^2$ 随 $Re$ 多项式上升，而量子变分线路的深度只需匹配纠缠 $S\sim \log \chi$——若湍流统计所需精度只要求 ${\chi }_{99}(Re)$ 多项式增长，量子求解对经典 NS 求解器（成本 $\sim R{e}^3$ 量级，见turbulence-simulation）就是Re 上的多项式优势。作者引用其团队结果称 VQCFD 已具该多项式优势、并预言本十年末有望出现实际量子优势。批判地看，这条论证依赖三个经验环节——Schmidt 数标度外推到高 Re、ansatz 能以浅深度制备目标态、测量统计不吞掉增益——每一环都未被严格证明；更一般的快进与读出限制见quantum-advantage-debate与io-problem。

与量子 PINN 的分工

两条路线的差异集中在代价函数与编码上。QPINN（含潜空间求解器）以函数在基上的系数或逐点值为目标，代价函数来自残差或态重叠，自动微分/基算子提供导数；变分 PDE 求解以物理泛函的期望值为目标——时间推进算符、能量积分、投影残差直接写成多副本期望，不做自动微分。前者更容易嵌入机器学习工作流（迁移学习、混合网络），后者更贴近物理内禀结构（多网格、Schmidt 分解），两条线在”变分态 + 经典优化器”的 NISQ 框架下互补，与vqls代表的线性系统变分路线并行构成变分量子 CFD 的三支。

延伸阅读

• quantum-pinn
• quantum-burgers
• vqls
• quantum-pde-overview
• tensor-network-fluids
• quantum-rom