非线性 PDE 量子算法通论

非线性是量子 CFD 的终极障碍：量子计算机执行酉演化，而非线性 + 耗散的 PDE（NS 方程）既不酉也不线性——no-cloning 定理禁止直接复制态来算 $u^2$。本词条统观三条线性化路线及其代价、两类不可能性定理（快进下界）、PsiQuantum–Airbus 的端到端有界优势分析与 Penuel 等的 CFL 抵消机理，结论收敛为一句话：非线性 + 长时间演化是量子优势最难的场景，稳态求解与隐式格式才是现实的出路。

三条线性化路线

路线一：Carleman 嵌入。把二次非线性 ODE $\frac{du}{dt}=F_2(u\otimes u)+F_{1}u+F_0$ 的变量张量幂 $u^{\otimes (j+1)}$ 全部提为新变量，得到无穷维线性 ODE，截断到 $N_C$ 阶后交给 QLSA（机制见carleman-linearization、quantum-burgers）。代价是维度膨胀：变量数随截断阶组合增长，且截断误差对雷诺数敏感——高 Re 时增大 $N_C$ 反而更差（见下文端到端分析）。

路线二：Koopman–von Neumann 嵌入。把非线性动力学的轨迹分布提升到相空间密度上，密度满足线性的 Liouville 型方程（见koopman-quantum）。代价是维数诅咒搬进相空间、混沌系统的谱不连续，工程上尚不成熟。

路线三：非线性先经典处理。混合方案把非线性步留给经典机、只把线性内核（压力泊松、线性化后的对流算符）交给量子——Song 等的经典动量步 + VQLS 泊松、本源的 Newton 迭代 + SUB-QLS 都是此类（见quantum-navier-stokes）；变分多副本方法（Lubasch 的 QNPU）则用多副本态上的非线性泛函测量部分绕开线性化需求（见variational-pde-solver）。另有 Schrödinger 化本身只处理线性 PDE——它常作为”线性化之后”的演化引擎出现（见schrodingerization）。

快进下界：线性化救不了坏的谱结构

线性化之后问题变成（可能很大、可能非正规、可能耗散）的线性 ODE——An–Liu–Wang–Zhao 证明此时快进被禁止An et al. 2025 (CMP)。其”放大器”框架（Theorem 4：放大一对输入态差异的算法需 $\Omega (1/\sqrt{ϵ})$ 次查询）给出最坏情形下界：

• 实部谱隙：查询数 $\ge \exp (T\cdot {\max }_{i\ne j}|\mathrm{Re}{\lambda }_i-\mathrm{Re}{\lambda }_j|)$ 量级——谱的实部差异随 $T$ 指数强制指数级查询（耗散系统的慢模快模分离正是这种结构）；
• 非正规性：查询数 $\ge \mu (A)=\Vert A^{†}A-A{A}^{†}{\Vert }^{1/2}$（对流-扩散算符离散后典型非正规）；
• 条件数：$\ge {\kappa }_V$；虚时演化 $\ge 1/\xi$。

反过来的正面结果：两类”非量子性”（实部谱隙、非正规性）都不存在时，ODE 本身就是量子动力学——存在对 $T$ 与谱范数双双指数改进的快进算法（特征系统可高效实现的非齐次 ODE 含谱离散的发展型 PDE）。判据清晰：线性化之后先查谱，谱不好量子也救不了An et al. 2025 (CMP)。

端到端分析：有界优势

Jennings–Korzekwa–Lostaglio（PsiQuantum）与 Airbus 的 2025 年分析是这一方向最完整的端到端账本Jennings et al. 2025 (arXiv)。先系统批判现有 Carleman 类提案的四大瓶颈：Carleman 不收敛（Re 超阈值后截断阶增大误差反而反弹）、显式步进约束过苛、条件数标度不利（$\kappa (A_H)$ 随 Re 与 $N_C$ 增长）、数据提取低效。再提出针对不可压格子玻尔兹曼方程移位版（控制谱）的新算法：移位 Carleman 嵌入 + 块编码（T 门数仅对 Re 对数依赖）+ 量子线性求解 + 阻力测量提取（乘子 $q_M=O({\mathrm{Re}}^{3/8})$）。

图:D1Q3 模型(β=3/4,Kolmogorov 微尺度分辨率)的 Carleman 截断误差随雷诺数 Re 与截断阶 N_C 的变化——超过阈值 Re 后增大 N_C 反而更差(来源:QC032)

复杂度结论：Kolmogorov 微尺度分辨率下量子算法的 Re 标度下界 $O({\mathrm{Re}}^{\frac{3}{4}(1+D/2)}\times q_M)$、对经典的优势上限 $O({\mathrm{Re}}^{3D/8})$；数值研究提示实际更低——$D=2$ 时估计 $O({\mathrm{Re}}^{1.936}\times q_M)$（对比经典 DNS $O({\mathrm{Re}}^3)$）。结论措辞谨慎：高误差容忍区、特定观测量上可能保住”适度但非平凡”的量子优势——不是指数，是弱多项式Jennings et al. 2025 (arXiv)。

图:量子 LBE 算法的查询复杂度——下界(黑线)与不同 Carleman 截断阶的上界随 Re 的标度,绿色区为潜在量子优势区(来源:QC032)

CFL 抵消机理：polylog 优势是怎么被吃掉的

Penuel 等（L3Harris/Zapata 等）对船体阻力的量子资源估计给出了机理级的解释Penuel et al. 2024 (arXiv)。表面上看，量子线性求解对格点数 $n$ 是 polylog 的——指数优势；但显式时间推进受 CFL 条件约束：$\Delta t\le \Delta x/u_{\max }$（物理效应不得在一个时间步内跨越一个格距），于是时间步数 $T$ 隐式地随格点数多项式增长——细网格同时强制细时间步。量子 ODE 求解的查询复杂度含线性 $T$ 因子（且不可快进，见上文），polylog$(n)$ 的优势被 $T\propto n^{\alpha }$ 吞掉，只剩弱多项式。实测数字：船体阻力算例的逻辑量子比特 × T 门估计在 $10^{21}$–$10^{39}$ 量级，Re 标度 $O({\mathrm{Re}}^{2.68})$——对比经典 DNS 的 $O({\mathrm{Re}}^3)$ 只有亚二次优势，考虑纠错开销后无实用价值Penuel et al. 2024 (arXiv)。

Penuel 等明确指出路：要么算法突破对时间步数的线性依赖，要么把候选应用限制在时间步数不随格点数多项式增长的场景——例如隐式格式可松弛 CFL、定常问题可直接解稳态而不从初值时间推进（见quantum-advantage-debate）。

结论：非线性 + 演化 = 最难场景

把三块证据拼起来：快进下界封死”线性化后按 T 快进”的幻想；端到端分析把 Carleman 路线的优势压到弱多项式；CFL 机理说明显式步进的任何 polylog 优势都会被步数吃掉。由此得到本分类的导航性判断：

• 稳态/椭圆问题（泊松、定常 FEM）无 $T$ 因子，是量子最稳的地盘（见quantum-poisson-solver、quantum-fem）；
• 线性 + 酉的问题（波动、对流）可快进，理论最优（见quantum-wave-equation）；
• 非线性 + 演化（DNS 湍流、非定常 NS）：接受弱多项式上界、瞄准高容错观测量（阻力、统计矩），或改用隐式/稳态表述——这是 2024–2026 年文献共识的”有界乐观”。

延伸阅读

• carleman-linearization
• koopman-quantum
• schrodingerization
• quantum-advantage-debate
• quantum-navier-stokes
• resource-estimation