资源估计

资源估计（quantum resource estimation, QRE）把”量子算法复杂度 $O(\mathrm{polylog}N)$“翻译成工程师能核对的三样东西：需要多少物理量子比特、跑多久、耗多少能量。对量子 CFD 这是生死攸关的翻译——Penuel 等对船体阻力计算的容错级核算给出 (逻辑比特)×(T 门) 积 $10^{21}$–$10^{39}$、随 ${\mathrm{Re}}^{2.68}$ 幂律增长的结论，直接否定了显式时间演化的指数优势（arXiv:2406.06323）；而 Tu 等与 Google 的 FLASQ 成本模型则从另两端给出交叉点与早期容错的可行区间。三条线合起来构成量子 CFD 的”账本”。

方法论：从算法到物理比特的完整账目

QRE 的标准流水线分四级，每一级都要显式给出常数：

1. 算法层：确定问题的输入参数——规模 $N$、条件数 $\kappa$、稀疏度 $s$、目标精度 $ϵ$。例如 Tu 等对 HHL 型线性系统求解器推导出带显式常数的 T 门数上界Tu et al. 2025 (arXiv)：

$$T\lesssim \frac{\sqrt{320/3}\pi {\kappa }^{2}s}{{ϵ}^2}(18\log N+90r+15),$$

并用 Q# 线路实现验证；关键是 ${\kappa }^{2}s/{ϵ}^2$ 这些多项式因子的常数不小，绝不能藏在 $O$ 里。

2. 逻辑层：把算法线路换算成 Clifford + T 门集。非 Clifford 的 T 门是容错瓶颈——表面码下每个逻辑 T 需要魔法态蒸馏（或培养），成本远高于 Clifford 门。

3. 纠错层：选纠错码（量子 CFD 文献默认 2D 表面码）与码距 $d$，由物理错误率 $p_{\mathrm{phys}}$ 与逻辑错误预算定标：逻辑错误率随 $d$ 指数压低，而物理比特数 $\propto d^2$ 每逻辑比特。蒸馏工厂占用大量辅助比特，往往超过数据比特。

4. 物理层：由门时间与比特能耗折算墙钟时间与能量。Tu 等采用 $p_{\mathrm{phys}}=10^{-5}$、逻辑周期 10 ns、稀释制冷机冷却能耗 6.25 W/物理比特（按 IBM System Two 的 4158 比特/27 kW 折算）Tu et al. 2025 (arXiv)；FLASQ 则用 $t_{\mathrm{cyc}}=1\mu$s、反应时间 10 $\mu$s 与魔法态培养（cultivation，比传统蒸馏便宜数个量级）Huggins et al. 2025 (arXiv)。

   最容易作弊的是两端 I/O：把矩阵/向量装进量子态（QRAM）与把解读出来（tomography/幅值采样）的成本经常被排除在估计之外——Tu 等明确声明其估计不含 I/O，并引 Aaronson 的忠告”read the fine print”（参见io-problem）。

Penuel 阻力计算：Re^2.68 幂律（QC010）

L3Harris/Zapata/MIT-LL 团队（DARPA 量子基准计划）以船舶设计的阻力计算为代表场景，对”Carleman 线性化 LBM（D3Q27、截断至三阶）+ Krovi 类线性微分方程求解器 + 量子幅值估计提取阻力”做了端到端容错核算Penuel et al. 2024 (arXiv)：

• bespoke 块编码的红利：为 LBM 矩阵专门构造的块编码（见block-encoding）比通用非结构化块编码削减约 $10^5$ 倍资源；
• 绝对量级：圆球绕流 $\mathrm{Re}=10$–$10^8$ 的 (逻辑比特)×(T 门) 积从 $10^{21}$ 涨到 $10^{39}$；T 门数 $10^{15}$–$10^{18}$——对比量子化学基态能量估计典型量级 $10^9$–$10^{10}$，差了 6–8 个数量级；按 T 门 $\mu$s–ms 与最大并行度折算，最大球算例需数十万年；
• 船体现实：JBC/KCS/MV Regal 三型船体网格 $10^{17}$–$10^{24}$ 格点，Carleman 变量数达 $10^{57}$–$10^{77}$。

最关键的是标度结论：对 log-log 图做线性拟合，QRE 随 Re 呈 $O({\mathrm{Re}}^{2.68})$ 幂律——对比经典 DNS 的 $O({\mathrm{Re}}^3)$ 只有弱多项式优势。机理在于：线性微分方程量子求解器的查询复杂度对格点数是 polylog、对时间步数是线性，而 CFL 条件使时间步数隐式多项式依赖于格点数（$\Delta t\sim \Delta x$，见nonlinear-pde-quantum），指数优势就此被吃掉——这是显式时间推进的普适特性，不限于 LBM 路线。

图:log(QRE) 对 log(Re) 的线性拟合——斜率 ≈2.68,即资源随 Re 幂律(而非指数)下降的经典对标中,量子只有 O(Re^2.68) vs O(Re^3) 的弱多项式优势(来源:QC010)

作者给出的出路因此很具体：转向稳态直接求解、隐式格式（松弛 CFL）与耦合振子/FEM 类问题——这为稳态泊松类问题保留了量子线代的机会（见quantum-poisson-solver、quantum-advantage-debate）。

Tu 等：容错 HHL 的时间/空间/能量三维账（QC085）

Tu 等对同一 HHL/QLSA 做了首例时间-空间-能量三维联合估计Tu et al. 2025 (arXiv)：经典对照取共轭梯度（CG）在 50 W/GHz 处理器上的 FLOPs 模型，量子侧用 Litinski 表面码 + lattice surgery 框架。结论：

• 交叉点：$\kappa ,s\sim O(10\text{–}100)$、$ϵ\sim 0.01$ 时，时间上可能出现量子优势的规模是 $N\approx 2^{33}$–$2^{48}$，需要 $O(10^5)$ 物理比特、$10^{12}$–$10^{13}$ J 能量、约 $10^6$ s（十天量级）；
• 能量优势晚于时间优势出现：稀释制冷机单位比特能耗高，能量账比时间账更难打平；
• 对更强经典基线：若经典用可并行 Cholesky 上超算，优势推迟到 $N\approx 2^{100}\approx 10^{30}$（届时量子运行时间仍约 200 小时）。

图:容错 QLSA 与经典 CG 的运行时间对比——交叉点出现在 N≈2³³–2⁴⁸,且能量维度的优势比时间维度出现得更晚(来源:QC085)

FLASQ：早期容错的时空体积口径（QC086）

Google Quantum AI 的 FLASQ 成本模型换了一个口径：不以 T 门数、而以时空体积（辅助比特的 $d^3$ 块）计成本，并计入电路”测量深度 × 处理器反应时间”的硬约束Huggins et al. 2025 (arXiv)。案例研究是 2D 横场 Ising 动力学（$11\times 11$、20 个 Trotter 步、目标期望值误差 0.01）：FLASQ 预测 $p_{\mathrm{phys}}=10^{-3}$ 下 62,000 物理比特即可完成；手写优化编译验证为码距 13、160 逻辑比特、62,720 物理比特、7,381 个任意旋转（平均 17 T/旋转）、73,810 逻辑时间步——FLASQ 估计仅低 24%。同一口径还揭示”只看 T 数会误导算法设计”：Hamming weight phasing 案例中 2–4 倍的 T 数优势，在时空体积口径下最多缩到 3 倍甚至消失。

图:11×11 Ising 20 步任务的总运行时间(小时)随物理错误率×物理比特数的热图——p_phys=10⁻³ 下 62,000 物理比特即可完成这个"经典棘手"的早期容错任务(来源:QC086)

FLASQ 与 Penuel 的关系是互补而非矛盾：前者论证”早期容错区间（$10^2$–$10^5$ 比特）能做什么”，后者论证”即便全容错、显式时间演化的流体问题也做不动”。

编码选择：账本上最容易被忽略的指数（QC092）

同一算法换编码，资源账可以差指数倍。DLR 的 Kösel–Ewert–Delfs 系统比较了三种编码的初始化与读出代价Kösel et al. 2026 (arXiv)：

编码	初始化深度（旋转门）	初始化深度（CX 门）	读出所需执行次数上界
一般幅度编码（$n$ 比特纠缠态）	$2^{n+1}-(n+1)$	$2^{n+1}-2(n+1)$	$N\ge \frac{1}{2{ϵ}^2}\ln \frac{2(2^n-1)}{\delta }$
单比特幅度编码（直积态）	$2$	$0$	$N\ge \frac{1}{2{ϵ}^2}\ln \frac{2}{\delta }$
比特串编码（无叠加）	$1$	$0$	$1$

一般幅度编码的初始化深度（Shende 分解，见state-preparation的 $\Theta (2^n)$ 下界Shende et al. 2004 (arXiv)）与读出采样都是指数墙；实测显示读出次数在参考分布下按 $\tilde{n}\ln \tilde{n}$（$\tilde{n}=2^n$）增长——比理论上界（${\tilde{n}}^2\ln \tilde{n}$）乐观，但仍是不可回避的多项式大数。基于此，该文为 LBM 提出了自由设定格点概率的新编码方案，专为每步读出场量的 CAA 类模拟设计。与 Tu/Penuel 的”算法+纠错”账本相比，编码维度提醒我们：算法层省下的指数，可能刚好被 I/O 层补回去。

延伸阅读

• quantum-advantage-debate
• io-problem
• block-encoding
• error-mitigation
• readout-strategies
• nonlinear-pde-quantum