Burgers 方程量子算法

粘性 Burgers 方程 ${\partial }_{t}u+u{\partial }_{x}u=\nu {\partial }_x^{2}u$ 是”最小非线性 PDE”——只有一个非线性项、能形成激波、有 Cole–Hopf 精确变换（见burgers-equation）。它因此成为量子流体算法的标准测试床：Yepez 的量子格子气（2002）、Liu 等的 Carleman 量子算法（PNAS 2021）、Lubasch 的变分法、Williams 的量子 Jacobi 迭代与 Uchida 的 Cole–Hopf 统计量提取五家方案在此同台，恰好覆盖了”直接量子化、线性化嵌入、变分、迭代法、精确变换”五条技术路线。

Yepez：量子格子气——内存优势

最古老的方案把 Burgers 的每个格点交给两个量子比特：微观上是局域幺正碰撞门 $\hat{U}$（只纠缠 $|01⟩$、$|10⟩$ 两个态，欧拉角 $\theta$ 为可调参数），介观上对应格子 Boltzmann 方程，宏观经 Chapman–Enskog 展开恢复 Burgers 方程，粘度 $\nu =\frac{\delta x^2}{2\delta t}f(\theta )$ 由 $\theta$ 调节（见quantum-lattice-gas）Yepez 2002 (arXiv)。

图:θ=π/4 的 2 量子比特量子算法(实线)与 3-bit Boghosian–Levermore 经典算法(虚线)一致,而 2-bit 经典算法(点线)完全失效——每节点 3 bit 是经典下界,量子只要 2 qubit(来源:QC033)

其量子优势点是内存：经典模拟 Burgers 的格子气每节点至少需要 3 bit（Boghosian–Levermore 算法），2 bit 经典格子气不能模拟 Burgers；量子版每节点 2 量子比特即够。且 $\theta \to \pi /2$ 时粘度可任意调小（高 Re），算法无条件稳定、满足细致平衡Yepez 2002 (arXiv)。注意这是每节点比特数的优势，不是算法复杂度的渐近优势。

Liu 等：Carleman 嵌入——理论保障与数值意外

耗散二次非线性 ODE $\frac{du}{dt}=F_2(u\otimes u)+F_{1}u+F_0(t)$（Burgers 离散后正是此形）经 Carleman 线性化嵌入无穷维线性系统（新变量 $u^{\otimes (j+1)}$，见carleman-linearization），截断到 $N_C$ 阶、前向 Euler 离散后用 QLSA 求解。主定理：非线性-耗散比 $R=\frac{\Vert u_{\mathrm{in}}\Vert \Vert F_2\Vert }{|\mathrm{Re}({\lambda }_1)|}<1$ 时，总复杂度

$$s{T}^{2}q\mathrm{poly}(\log T,\log n,\log 1/ϵ)/ϵ$$

（$s$ 稀疏度、$T$ 时间、$q$ 解衰减参数），比此前多副本变分方法的 $O(1/{ϵ}^T)$ 指数改善；下界定理则证明 $R\ge \sqrt{2}$ 时任何量子算法都无法高效求解最坏情形Liu et al. 2021 (PNAS)。

数值实验给出了理论之外的重要事实：受迫粘性 Burgers（$\mathrm{Re}=U_0{L}_0/\nu =20$，$n_x=16$、$n_t=4000$）的 Carleman 参数实际为 $R\approx 43.59\gg 1$，截断阶增大时误差仍指数下降——$R<1$ 的理论条件远非实践边界，no-go 定理的预言与数值现实之间存在宽裕的中间地带（原文称之为 surprising）。 caveat 同样要记下：齐次方程的解必然指数衰减（$q$ 因子），渐近上不可高效；受迫（非齐次）方程才可能长期高效Liu et al. 2021 (PNAS)。

Lubasch：变分多副本

变分路线不线性化，用多副本变分态直接处理非线性：每个时间步以欧拉格式构造代价函数

$$C({\lambda }_0,\lambda )=\Vert {\lambda }_0|\psi (\lambda )⟩-(1+\tau \hat{O}){\tilde{\lambda }}_0|\tilde{\psi }⟩{\Vert }^2,\hat{O}=\nu \Delta -{\tilde{\lambda }}_0{\hat{D}}_{\tilde{\psi }}\nabla ,$$

其中非线性算符 ${\hat{D}}_{\tilde{\psi }}$ 由多副本态上的受控辅助电路（QNPU）估计——归一化问题用可变模长 ${\lambda }_0|\psi ⟩$ 解决Lubasch et al. 2020 (PRA)。其效率论证来自 ansatz 纠缠：强无序问题中变分深度 $d$ 的 ansatz 可携带纠缠 $S_{\max }\lesssim d$，优于受 $\log \chi$ 限制的 MPS——量子 ansatz 参数量对 MPS 指数减少（详见variational-pde-solver）。Burgers 是其补充材料算例。

Williams：量子 Jacobi 迭代

Williams 等把离散 Burgers 的线性系统（每步 Newton 线性化后）交给量子 Jacobi 迭代：$A=D+R$ 分裂，迭代 $x_{k+1}=x_0-D^{-1}R{x}_k$ 展开为 $k+1$ 项之和，用 LCU 把整个迭代轨迹编码进一个量子态（$D^{-1}$、$R$、$b$、$x_0$ 各有块编码，Givens 旋转实现）；Gauss-Seidel 的顺序依赖经 Woodbury 恒等式改写为 $\Omega ={\sum }_{l=0}^L(-D^{-1}B{)}^l$ 的截断求和绕开。粘性 Burgers 行波解经 80 次迭代收敛，量子输出向真解单调逼近Williams et al. 2024 (arXiv)。

图:粘性 Burgers 方程的量子 Jacobi 输出(迭代 0→80)向行波真解逐步收敛(来源:QC007)

Uchida：Cole–Hopf + 统计量直接提取

Cole–Hopf 变换 $u=-\nu {\partial }_x\ln \psi$ 把 Burgers 精确化为线性热方程（见quantum-heat-equation），量子侧演化 $|\psi ⟩$；非线性的代价被推到信息提取步：多点函数 $P^{(n)}$、矩 $I^{(n)}$（两点关联、平坦度 $\beta$ 等）通过对 $|\psi ⟩$、$|{\partial }_x\psi ⟩$、$|\varphi ⟩$ 上的算符期望直接测量得到，绕开全场重构。提取依赖 $\psi ={\psi }^{(0)}+\delta \psi$ 的微扰条件（一阶近似式），大 Re 时非平凡；条件满足时对网格数有指数优势Uchida et al. 2024 (arXiv)。该方案与”只算泛函”的读出哲学（见readout-strategies）一脉相承。

对比与评注

方案	非线性处理	量子内核	优势声明	短板
Yepez 2002	无（格子气显式演化）	每格点 2 qubit 碰撞门	内存：2 qubit vs 3 bit	无渐近复杂度优势
Liu 2021	Carleman 嵌入	Euler + QLSA	$T^2\mathrm{polylog}/ϵ$；理论完备	$R$ 条件；齐次解衰减
Lubasch 2020	多副本变分	QNPU 代价估计	ansatz 纠缠优势	启发式、小规模
Williams 2024	经典线性化	LCU 迭代轨迹	免求逆、可读迭代历史	块编码深度
Uchida 2024	Cole–Hopf 精确变换	线性 ODE + 直接测量	绕开 Carleman；指数优势	微扰条件限制大 Re

五家合起来构成非线性 PDE 量子算法的”方法学光谱”缩影——更宏观的讨论见nonlinear-pde-quantum。

延伸阅读

• burgers-equation
• carleman-linearization
• variational-pde-solver
• quantum-iterative-methods
• nonlinear-pde-quantum