Warum Navier-Stokes-Gleichungen wichtig sind

Die Navier-Stokes-Gleichungen bilden das mathematische Rückgrat der Strömungsdynamik. Sie beschreiben, wie sich Geschwindigkeit, Druck, Temperatur und Dichte in bewegten Flüssigkeiten entwickeln. Jeder Regentropfen, jeder Windstoß, jede Strahltriebwerkturbine und jede Blutzelle, die sich durch eine Arterie bewegt, gehorcht diesen Gleichungen. Trotz all ihrer Allgegenwart bleiben sie eine der hartnäckigsten Herausforderungen in der Physik und Technik.

Claude-Louis Navier formulierte die Gleichungen erstmals 1822 und George Gabriel Stokes verfeinerte sie 1845. Seitdem haben Ingenieure und Wissenschaftler mit ihnen in allen Disziplinen gerungen, die flüssige Bewegungen beinhalten. Die Wettervorhersage hängt davon ab, sie über die gesamte Atmosphäre zu lösen. Flugzeugdesigner brauchen genaue Lösungen, um den Luftwiderstand zu reduzieren und die Kraftstoffeffizienz zu verbessern. Chemieingenieure verlassen sich auf sie, um Reaktoren und Pipelines zu entwerfen. Medizinische Forscher verwenden sie, um den Blutfluss durch Arterien und Herzklappenprothesen zu modellieren.

Die Gleichungen selbst sind täuschend kompakt. Sie kombinieren die Erhaltung des Impulses mit der Erhaltung der Masse und in vielen Fällen die Erhaltung der Energie. Die Impulsgleichung umfasst einen Trägheitsterm, einen Druckgradiententerm, einen viskosen Diffusionsterm und einen Körperkraftterm. Diese Struktur erscheint einfach, aber der nichtlineare Trägheitsterm führt zu außergewöhnlicher Komplexität. Kleine Änderungen der Anfangsbedingungen können dramatisch unterschiedliche Ergebnisse hervorbringen, ein Kennzeichen chaotischer Systeme.

Das Clay Mathematics Institute hat das Navier-Stokes-Existenz- und Glätteproblem als eines seiner sieben Millennium-Preis-Probleme bezeichnet. Ein rigoroser Beweis dafür, ob es immer glatte, globale Lösungen für die dreidimensionalen Gleichungen gibt, bleibt schwer fassbar. Selbst wenn ein Beweis auftaucht, wird die praktische Berechnung entmutigend bleiben, da die Bandbreite der räumlichen und zeitlichen Skalen in turbulenten Strömungen viele Größenordnungen umfasst. Eine direkte numerische Simulation von turbulenten Strömungen um einen Flugzeugflügel würde Rechenressourcen erfordern, die weit über das hinausgehen, was ein klassischer Supercomputer heute liefern kann.

Dieser Computerengpass hat Forscher dazu motiviert, grundlegend unterschiedliche Rechenparadigmen zu erforschen. Quanten-Computing bietet mit seiner Fähigkeit, Quantenüberlagerungen zu bedienen und Verschränkung auszunutzen, einen Weg, der die exponentielle Skalierung umgehen könnte, die Navier-Stokes-Simulationen auf klassischen Maschinen unerschwinglich macht.

Das Computational Scaling Problem

Um zu verstehen, warum Quantencomputer helfen könnten, ist es nützlich, genau zu verstehen, wo klassische Simulationen zusammenbrechen. Die Navier-Stokes-Gleichungen sind eine Reihe nichtlinearer partieller Differentialgleichungen. In einem turbulenten Regime enthält der Fluss Wirbel und Wirbel, die sich über einen breiten Bereich von Längenskalen erstrecken. Die größten Wirbel sind vergleichbar mit der Größe des Bereichs, während die kleinsten Wirbel, die als Kolmogorov-Skalen bekannt sind, kinetische Energie durch viskose Effekte in Wärme abführen.

Das Verhältnis der größten zur kleinsten Längenskala wächst mit der Reynolds-Zahl zur Potenz von drei Vierteln. Für hochreynolds-Zahlenströme, die in der Luft- und Raumfahrt und geophysikalischen Anwendungen üblich sind, wird dieses Verhältnis enorm. Eine direkte numerische Simulation erfordert ein Maschennetz, das fein genug ist, um die kleinsten Wirbel über den gesamten Bereich aufzulösen. Die Anzahl der Gitterpunkte skaliert mit der Reynolds-Zahl zur Potenz von neun Vierteln. Für eine Reynolds-Zahl von 10 Millionen, die typisch für ein Verkehrsflugzeug im Flug ist, die erforderliche Gitterpunktzahl in Billionen. Jeder Gitterpunkt erfordert das Lösen gekoppelter Gleichungen in jedem Zeitschritt, und der Zeitschritt selbst muss klein genug sein, um die schnellste Dynamik zu erfassen.

Diese Skalierung stellt die direkte numerische Simulation vieler wichtiger Flüsse dauerhaft außerhalb der Reichweite klassischer Computer, unabhängig von Moores Gesetz Verbesserungen. Reynolds-gemittelte Navier-Stokes (RANS) und Large-Eddy-Simulation (LES) bieten Näherungswerte, die Rechenkosten zu reduzieren, aber sie opfern Genauigkeit, vor allem in Flüssen mit Trennung, Wiederanbringung und starke Druckgradienten. Ingenieure brauchen bessere Werkzeuge, nicht nur schnellere Versionen der gleichen Werkzeuge.

Quantum Computing Grundlagen für Fluid Dynamics

Quantencomputer verarbeiten Informationen mit Quantenbits oder Qubits. Im Gegensatz zu klassischen Bits, die immer entweder 0 oder 1 sind, kann ein Qubit in einer Überlagerung beider Zustände existieren. Wenn mehrere Qubits verschränkt sind, kann der Zustand des gesamten Systems nicht für jedes Qubit unabhängig beschrieben werden. Diese Eigenschaften ermöglichen es Quantencomputern, viele Rechenpfade gleichzeitig zu erkunden.

Für die Lösung von Differentialgleichungen können Quantenalgorithmen unter bestimmten Bedingungen exponentielle Beschleunigungen erzielen. Die vielversprechendsten Ansätze für Navier-Stokes lassen sich in zwei große Kategorien einteilen: Algorithmen für Quantenlinearsysteme und Hamilton-Simulationsmethoden. Beide beruhen auf der Neuformulierung des Problems der Strömungsdynamik in eine Form, die Quantencomputer effizient handhaben können.

Algorithmen für lineare Quantensysteme, wie der Harrow-Hassidim-Lloyd-Algorithmus, lösen lineare Gleichungssysteme exponentiell schneller als klassische Algorithmen in bestimmten Regimen. Die Navier-Stokes-Gleichungen sind nichtlinear, aber sie können durch Diskretisierung und Iteration linearisiert oder mit Techniken wie Carleman-Linearisierung transformiert werden. Die Schlüsselfrage ist, ob diese Linearisierungen den Quantengeschwindigkeitsvorteil erhalten, nachdem sie den Overhead der Einbettung des Problems in einen Quantenkreis berücksichtigt haben.

Hamiltonsche Simulationsansätze behandeln den Fluidfluss als ein Quantensystem, das sich unter einem spezifischen Hamilton-System entwickelt, das mathematisch dem Navier-Stokes-Operator entspricht. Der Quantencomputer simuliert diese Entwicklung direkt und erfasst möglicherweise die volle nichtlineare Dynamik, ohne dass massive Diskretisierungsgitter erforderlich sind. Diese Methoden sind immer noch hoch theoretisch, bieten aber die dramatischsten potenziellen Beschleunigungen.

Quantum Phase Estimation und das Navier-Stokes Eigenwertproblem

Die Quantenphasenschätzung (QPE) ist ein grundlegender Algorithmus im Quantencomputing. Er schätzt die Eigenwerte eines einheitlichen Operators. Bei Anwendung auf die Strömungsdynamik kann QPE verwendet werden, um die Stabilität von Strömungskonfigurationen zu analysieren oder die dominanten Moden in einem turbulenten Strömungsfeld zu finden. Diese Moden, die als richtige orthogonale Zersetzungsmodi oder dynamische Moden-Dekompositionsmodi bekannt sind, zeigen die kohärenten Strukturen, die den Energie- und Impulstransport in turbulenten Strömungen dominieren.

Klassische Berechnung dieser Modi erfordert die Lösung großer Eigenwertprobleme, die mit der Größe der Diskretisierung schlecht skalieren. QPE bietet einen Weg zu einer exponentiellen Beschleunigung für diese spezifische Teilaufgabe. Forscher an Institutionen wie MIT, Caltech und der Technischen Universität München haben theoretische Rahmenbedingungen veröffentlicht, die zeigen, wie QPE die energiereichsten Modi aus einem Flussfeld mit weit weniger Rechenressourcen extrahieren kann, als klassische Methoden erfordern.

Die praktische Umsetzung steht vor großen Hardware-Herausforderungen. QPE erfordert lange Kohärenzzeiten und Quantengatter mit hoher Genauigkeit. Aktuelle rauschstarke Mittelskalige Quanten (NISQ)-Geräte können die Schalttiefen nicht halten, die für nützliche QPE-Berechnungen zu Navier-Stokes-Problemen erforderlich sind. Da jedoch fehlertolerante Quantenberechnungen ausgereift sind, könnte die QPE-basierte Strömungsanalyse zu einer der frühesten praktischen Anwendungen werden.

Variationelle Quanteneigenlöser

Variationale Quanten-Eigenlöser (VQE) verfolgen einen anderen Ansatz. Sie kombinieren einen Quantencomputer mit einem klassischen Optimierer. Der Quantencomputer bereitet einen parametrisierten Quantenzustand vor und misst seine Energie in Bezug auf einen bestimmten Hamilton-Wert. Der klassische Optimierer passt die Parameter an, um die Energie zu minimieren und effektiv den Grundzustand des Systems zu finden. Für Navier-Stokes-Anwendungen kann VQE verwendet werden, um die minimale Energieflusskonfiguration unter bestimmten Randbedingungen zu finden oder Optimierungsprobleme bei der Strömungssteuerung und der aerodynamischen Formgestaltung zu lösen.

VQE ist toleranter gegenüber Rauschen als QPE, weil die Quantenschaltungen flacher sind und der klassische Optimierer einige Fehler kompensieren kann. Dies macht VQE auf NISQ-Hardware möglich, zumindest für kleine Testprobleme. Forscher von IBM Quantum haben VQE-basierte Lösungen für vereinfachte Strömungsprobleme demonstriert, einschließlich der eindimensionalen Burger-Gleichung und zweidimensionalen Hohlraumströmungen. Diese Demonstrationen sind weit entfernt von dem für industrielle Anwendungen benötigten Maßstab, aber sie validieren den konzeptionellen Ansatz und heben die Bereiche hervor, in denen Hardwareverbesserungen die größten Auswirkungen haben werden.

Quantenalgorithmen für nichtlineare Differentialgleichungen

Die Navier-Stokes-Gleichungen sind grundsätzlich nichtlinear. Der Advektionsbegriff, bei dem die Geschwindigkeit den Gradienten der Geschwindigkeit multipliziert, führt Produkte unbekannter Variablen ein. Diese Nichtlinearität ist die primäre Quelle von Turbulenzen und das Haupthindernis für eine effiziente Quantensimulation. Lineare Quantenalgorithmen können nichtlineare Gleichungen nicht direkt behandeln, ohne die Nichtlinearität in die Algorithmusstruktur zu kodieren.

Es sind mehrere Strategien entstanden, um diese Herausforderung anzugehen. Ein Ansatz nutzt Carleman-Linearisierung, die das nichtlineare System als unendlichen Satz linearer Gleichungen umformt, indem neue Variablen eingeführt werden, die Produkte der ursprünglichen Variablen darstellen. Wenn dieses unendliche System in endlicher Ordnung beschnitten wird, entsteht eine lineare Approximation, die mit Algorithmen für quantenlineare Systeme gelöst werden kann. Die Genauigkeit der Approximation verbessert sich, wenn mehr Terme beibehalten werden, aber die Systemgröße wächst exponentiell mit der Abrunkationsreihenfolge. Die praktische Frage ist, ob die Quantenbeschleunigung dieses Wachstum für realistische Problemgrößen überwiegt.

Ein anderer Ansatz verwendet Quanten-nichtlineare Verarbeitungseinheiten, die spezialisierte Quantenschaltungen sind, die dazu bestimmt sind, nichtlineare Transformationen auf Quantenzustände anzuwenden. Diese Schaltungen nutzen die Tatsache, dass die Messung eines Quantenzustands eine nichtlineare Funktion der Zustandsamplituden erzeugt. Durch die Verschachtelung von Einheitsoperationen mit Messungen und klassischer Nachverarbeitung ist es möglich, nichtlineare Operationen innerhalb eines Quantenalgorithmus zu implementieren. Dies ist ein aktiver Bereich der theoretischen Forschung, mit Beiträgen von Gruppen an der University of Maryland, Google Quantum AI und der University of Tokyo.

Eine dritte Strategie verwendet Quantenreservoir-Computing und Quanten-Extrem-Learning-Maschinen. Dies sind hybride klassische Quantenansätze, bei denen ein zufälliger, fester Quantenschaltkreis den Eingang in einen hochdimensionalen Merkmalsraum abbildet und ein klassisches lineares Modell lernt, den Ausgang aus diesen Merkmalen vorherzusagen. Der Quantenschaltkreis fungiert als ein nichtlineares dynamisches System, das das Verhalten der Navier-Stokes-Gleichungen annähern kann, ohne sie explizit zu lösen. Dieser Ansatz ist besonders attraktiv für Echtzeit-Flussvorhersage- und -Kontrollanwendungen, bei denen Geschwindigkeit wichtiger ist als absolute Genauigkeit.

Lattice Boltzmann Methoden auf Quantencomputern

Die Verfahren von Lattice Boltzmann (LBM) bieten einen anderen Weg. Statt die Navier-Stokes-Gleichungen direkt zu diskretisieren, simuliert LBM die Bewegung und Kollision von Teilchen auf einem diskreten Gitter. Das makroskopische Flüssigkeitsverhalten ergibt sich aus der mikroskopischen Teilchendynamik. LBM ist bereits bei klassischen Computern für komplexe Strömungen, insbesondere in porösen Medien und Mehrphasensystemen, beliebt, weil es einfacher zu parallelisieren ist als direkte Navier-Stokes-Solver.

Auf Quantencomputern bildet LBM natürlich Quantenspaziergänge und Quantenzellularautomaten ab. Der Kollisionsschritt wird zu einer einheitlichen Operation auf den Qubits, die die Partikelverteilungsfunktionen repräsentieren. Der Streaming-Schritt wird zu einer Verschiebungsoperation im Gitter. Da diese Operationen einheitlich sind, erhalten sie die Kohärenz des Quantenzustands und können effizient auf Quantenhardware ausgeführt werden.

Forscher der Universität Edinburgh und der Universität Genf haben Quanten-LMM-Algorithmen veröffentlicht, die Polynom-Geschwindigkeiten gegenüber klassischen LBM-Simulationen erzielen. Die Beschleunigung kommt von der Tatsache, dass ein Quantencomputer die Teilchenverteilung über alle Gitterstellen gleichzeitig darstellen kann, anstatt sie einzeln über Stellen zu wiederholen. Für große dreidimensionale Gitter ergibt diese Parallelität einen signifikanten Vorteil. Experimentelle Implementierungen auf IBM- und Rigetti-Quantenprozessoren haben den Algorithmus für einfache zweidimensionale Flüsse validiert, einschließlich Deckel-gesteuerter Hohlraumströmung und -strömung an einem Zylinder vorbei.

Hardware-Roadblocks und der Weg nach vorne

Quantencomputer-Hardware hat sich in den letzten zehn Jahren rasant weiterentwickelt, aber praktische Navier-Stokes-Simulationen sind für aktuelle Geräte nach wie vor unerreichbar.

Qubit Count und Konnektivität

Für nützliche Simulationen der Strömungsdynamik werden Tausende und wahrscheinlich Millionen logischer Qubits benötigt. Aktuelle NISQ-Geräte bieten höchstens einige hundert physikalische Qubits. Jedes logische Qubit für fehlertolerante Berechnungen kann Hunderte oder Tausende physikalischer Qubits für die Fehlerkorrektur erfordern. Die gesamte physikalische Qubitzahl, die für industriell relevante Navier-Stokes-Simulationen benötigt wird, könnte Dutzende Millionen betragen. Diese Skala ist mindestens ein Jahrzehnt entfernt, basierend auf aktuellen Roadmaps von IBM, Google und anderen Quantenhardware-Entwicklern.

Selbst wenn genügend Qubits verfügbar sind, ist die Konnektivität zwischen Qubits wichtig. Navier-Stokes-Simulationen erfordern Wechselwirkungen zwischen benachbarten Gitterpunkten, die Interaktionen zwischen benachbarten Qubits im Quantenprozessor abbilden. Zweidimensionale Gitterkonnektivität, bei der jedes Qubit mit seinen vier nächsten Nachbarn verbunden ist, bildet gut die Oberflächencodefehlerkorrektur ab und ist in vielen aktuellen supraleitenden Qubitprozessoren verfügbar. Dreidimensionale Gitter, die für realistische Fluidsimulationen unerlässlich sind, erfordern komplexere Konnektivitätsschemata oder die Verwendung von SWAP-Gattern, um Informationen zwischen nicht benachbarten Qubits zu verschieben, was Overhead hinzufügt.

Kohärenz und Gate Fidelity

Die Kohärenzzeit von aktuellen supraleitenden Qubits liegt in der Größenordnung von zehn bis hundert Mikrosekunden. Eine Navier-Stokes-Simulationsschaltung könnte Milliarden von Gate-Operationen erfordern, was weit über die aktuellen Kohärenzgrenzen hinausgeht. Gate-Fidelitäten, die jetzt typischerweise über 99,9% für Single-Qubit-Gates und über 99% für Zwei-Qubit-Gates liegen, müssen sich auf 99,99% oder besser verbessern, um die tiefen Schaltungen zu unterstützen, die für einen praktischen Quantenvorteil erforderlich sind.

Die Korrektur von Quantenfehlern kann vor Dekohärenz und Gatterfehlern schützen, führt jedoch zu einem erheblichen Overhead. Der Oberflächencode, das am häufigsten untersuchte Fehlerkorrekturschema, erfordert ein Gitter von physikalischen Qubits, um ein logisches Qubit zu codieren. Der Overhead-Faktor hängt von der physikalischen Fehlerrate und der gewünschten logischen Fehlerrate ab. Bei aktuellen physikalischen Fehlerraten könnte der Overhead 1000 physikalische Qubits pro logischem Qubit oder mehr betragen. Dies erhöht die Gesamtqubitzahl, die für nützliche Berechnungen benötigt wird.

NISQ Era Strategien

Während sie auf fehlertolerante Hardware warten, entwickeln Forscher Algorithmen aus der NISQ-Ära, die auf bestehenden lauten Geräten laufen können. Diese Algorithmen tauschen einige der theoretischen Quantenbeschleunigung gegen erhöhte Robustheit gegenüber Rauschen aus. Variationelle Methoden, hybride klassische Quantenansätze und Quantenreservoir-Computing fallen in diese Kategorie. Sie können heute kleine zweidimensionale Probleme der Strömungsdynamik bewältigen und werden mit zunehmender Hardware auf größere Probleme skalieren.

Die NISQ-Strategie verschiebt den Fokus von der Lösung der vollständigen Navier-Stokes-Gleichungen auf die Lösung von Modellen reduzierter Ordnung oder spezifischer Teilprobleme. Beispielsweise könnte ein NISQ-Gerät nicht die gesamte turbulente Strömung um einen Flugzeugflügel herum simulieren, aber es könnte die dominanten Instabilitätsmodi berechnen oder die Parameter in einem Turbulenzmodell optimieren. Diese begrenzten Aufgaben bieten immer noch einen Mehrwert für Ingenieure und helfen, den Quantenansatz zu validieren und Vertrauen für die fehlertolerante Ära aufzubauen.

Anwendungen, die zuerst profitieren werden

Selbst partielle Quantenlösungen für Navier-Stokes-Probleme werden mehrere Industriezweige verändern, wobei die Anwendungen, die zuerst davon profitieren werden, diejenigen sind, bei denen die derzeitigen rechnerischen Einschränkungen am akutesten sind und bei denen die Näherungslösungen unzureichend sind.

Luft- und Raumfahrttechnik

Flugzeug- und Raumfahrzeugdesign beruht stark auf der numerischen Strömungsdynamik. Aktuelle RANS- und LES-Simulationen können Auftrieb und Luftwiderstand mit angemessener Genauigkeit für angehängte Strömungen vorhersagen, aber sie kämpfen mit getrennten Strömungen, Stall, transsonischen Stoßwellen und Wärmeübertragung. Quantencomputer könnten eine direkte numerische Simulation von vollständigen Flugzeugkonfigurationen bei Flug Reynolds-Zahlen ermöglichen, wodurch die Notwendigkeit von Annäherungen an Turbulenzmodellierungen entfällt. Dies würde es Designern ermöglichen, Konfigurationen mit Zuversicht zu optimieren, die Testzeit im Windkanal zu reduzieren und effizientere, leisere und sicherere Flugzeuge zu ermöglichen.

Die Wechselwirkung zwischen turbulenter Strömung, chemischen Reaktionen und Wärmeübertragung in einer Brennkammer ist äußerst komplex und wird von aktuellen Modellen nur schlecht erfasst. Bessere Simulationen könnten zu einer höheren Verbrennungseffizienz, geringeren Emissionen und einer längeren Lebensdauer des Motors führen.

Wetter- und Klimavorhersage

Wettermodelle lösen die Navier-Stokes-Gleichungen auf einem globalen Gitter. Die Auflösung der aktuellen Betriebsmodelle beträgt etwa 5 bis 10 Kilometer. Viele wichtige Prozesse, einschließlich Wolkenbildung, Konvektion und Grenzschichtturbulenz, treten in Skalen auf, die kleiner als der Gitterabstand sind und parametriert werden müssen. Diese Parametrisierungen sind eine Hauptquelle für Prognoseunsicherheit.

Quantencomputer könnten schließlich globale Wettermodelle mit kilometergroßer Auflösung ermöglichen, die Gewitter, Hurrikane und atmosphärische Fronten explizit auflösen. Dies würde die Genauigkeit von Unwettervorhersagen und Klimaprojektionen dramatisch verbessern. Meteorologische Agenturen, darunter das Europäische Zentrum für Wettervorhersagen mittlerer Reichweite und die US-amerikanische National Oceanic and Atmospheric Administration, haben bereits begonnen, Quantencomputer-Partnerschaften zu erforschen.

Medizinische Fluiddynamik

Der Blutfluss in Arterien und Venen folgt den Navier-Stokes-Gleichungen. Bei Herz-Kreislauf-Erkrankungen werden die Flussmuster gestört und die Wandscherspannung spielt eine entscheidende Rolle bei der Plaquebildung und -progression. Patientenspezifische Simulationen des Blutflusses können Chirurgen bei der Planung von Eingriffen helfen, aber aktuelle Simulationen sind langsam und teuer. Quantencomputer könnten patientenspezifische hämodynamische Simulationen in Echtzeit ermöglichen, die direkt in medizinische Bildgebungsdaten integriert werden.

Neben dem Blutfluss umfassen weitere medizinische Anwendungen den Luftfluss in der Lunge für die Modellierung von Atemwegserkrankungen, die Dynamik der Liquorisation des Kleinhirns zum Verständnis von Hydrocephalus und traumatischen Hirnverletzungen sowie die Verabreichung von Medikamenten durch den Blutkreislauf. Jede dieser Anwendungen würde von schnelleren, genaueren Flüssigkeitssimulationen profitieren.

Umwelt- und Energieanwendungen

Die Optimierung des Windparklayouts erfordert die Modellierung der turbulenten Wirbelschleppen-Wechselwirkungen zwischen Turbinen. Aktuelle Modelle verwenden Näherungswerte, die die Stromerzeugung um 10 % oder mehr überschätzen können. Quantenrechner könnten genaue Wirbelschleppen-Simulationen ermöglichen, was zu Windparklayouts führen könnte, die mehr Leistung erzeugen und die Ermüdungslasten der Turbine reduzieren. In ähnlicher Weise würden Gezeiten- und Flussturbinen-Arrays von einer detaillierten Strömungsmodellierung profitieren.

In der Öl- und Gasindustrie bestimmt die Fluidströmung durch poröses Gestein die Reservoirleistung. Aktuelle Reservoirsimulationen verwenden hochskalige Modelle, die Porenstrukturen im Mikromaßstab durchschnittlichen. Quantencomputer könnten direkte Porensimulationen ermöglichen, die Kapillareffekte, Benetzbarkeit und Mehrphasenströmung mit viel größerer Genauigkeit erfassen. Dies würde die Rückgewinnungsvorhersagen verbessern und das Explorationsrisiko verringern.

Die Roadmap zur praktischen Quantenfluiddynamik

Der Weg von den heutigen Kleindemonstrationen zu industriell relevanten Quanten-Navier-Stokes-Simulationen folgt einem klaren Verlauf: Jede Stufe baut auf der vorherigen auf, wobei die Hardware- und Algorithmusentwicklung parallel voranschreitet.

Stufe Eins: Proof of Concept

Wir befinden uns derzeit in dieser Phase. Forscher haben Quantenlösungen für eindimensionale Burger-Gleichung, zweidimensionale Hohlraumflüsse und Kanalflüsse mit niedriger Reynoldszahl auf Quantensimulatoren und kleinen NISQ-Geräten demonstriert. Diese Demonstrationen validieren die Algorithmen und identifizieren die Hauptfehlerquellen. Sie haben keinen praktischen Wert für die Technik, aber sie legen die Grundlage für die nächste Stufe.

Stufe 2: Small-Scale Validation

In den nächsten fünf Jahren werden die Forscher, da die Quantenhardware sich auf Hunderte von logischen Qubits mit niedrigeren Fehlerraten verbessert, zweidimensionale Flüsse mit moderaten Reynolds-Zahlen angehen. Diese Simulationen werden gegen klassische direkte numerische Simulationen und experimentelle Daten validiert. Der Erfolg in diesem Stadium wird zeigen, dass Quantenlösungen eine Genauigkeit erreichen können, die mit klassischen Methoden für einfache Flüsse vergleichbar ist. Zu den Zielproblemen gehören das Vorbeifließen an einem Kreiszylinder, der deckelgesteuerte Hohlraumfluss und der Kanalflussübergang zu Turbulenzen.

Stufe drei: Industriell relevante Simulationen

Mit fehlertoleranten Quantencomputern mit Tausenden logischer Qubits, die nach den meisten Roadmaps für die späten 2020er bis frühen 2030er Jahre geplant sind, werden dreidimensionale Simulationen möglich. Diese Simulationen werden immer noch auf relativ einfache Geometrien und moderate Reynolds-Zahlen beschränkt sein, aber sie werden die Möglichkeiten der klassischen direkten numerischen Simulation für diese Fälle übertreffen. Industriepartner werden Quantensimulationen für bestimmte Teilprobleme einsetzen, wie z. B. die Optimierung von Schaufelformen oder die Vorhersage von Lärm von turbulenten Jets.

Stufe 4: Routinenutzung

Bis Mitte der 2030er bis 2040er Jahre könnten Millionen-logische-Qubit-Systeme Routine-Quanten-Navier-Stokes-Simulationen für komplexe Geometrien und hohe Reynolds-Zahlen ermöglichen. In diesem Stadium werden Quantensimulationen klassische Simulationen und Experimente als Standardwerkzeug im Toolkit für Strömungsmechanik ergänzen. Ingenieure werden Quantensimulationen neben klassischen Simulationen durchführen, wobei jede einzelne den besten Kompromiss zwischen Genauigkeit und Kosten bietet.

Zusammenarbeit über Disziplinen hinweg

Um das Potenzial des Quanten-Computing für Navier-Stokes-Gleichungen zu erschließen, ist eine Zusammenarbeit erforderlich, die über das hinausgeht, was in der akademischen oder industriellen Forschung üblich ist. Fluiddynamiker müssen lernen, in Quantenalgorithmen zu denken. Quantencomputerforscher müssen eine Intuition für die Fluidphysik entwickeln. Mathematiker müssen die Lücke zwischen der kontinuierlichen Welt der partiellen Differentialgleichungen und der diskreten Welt der Quantenschaltungen schließen.

Mehrere Initiativen fördern bereits dieses interdisziplinäre Umfeld. Die Quantum Fluids Research Group an der Universität Cambridge bringt Physiker und Ingenieure zusammen, um Quantenalgorithmen für Turbulenzen zu entwickeln. Das IBM Quantum Network umfasst Luft- und Raumfahrtunternehmen wie Airbus und Boeing sowie Energieunternehmen und Forschungseinrichtungen, um Quantenanwendungen in der Strömungsdynamik zu erforschen. Das US-Energieministerium hat mehrere Projekte zu Quantenalgorithmen für die Strömungsdynamik von Computern durch sein Advanced Scientific Computing Research-Programm finanziert.

Auch Ausbildungsprogramme entwickeln sich weiter. Universitäten führen Quantencomputerkurse ein, die auf Ingenieure und angewandte Wissenschaftler zugeschnitten sind, wobei der Schwerpunkt eher auf praktischen Algorithmen als auf abstrakter Quantenmechanik liegt. Sommerschulen und Workshops, wie der Workshop Quantum Computing for Fluid Dynamics am Institut für Reine und Angewandte Mathematik der UCLA, bilden die nächste Generation von Forschern aus, die dieses Gebiet voranbringen werden.

Wie Erfolg aussehen wird

Der ultimative Maßstab für den Erfolg von Quanten-Navier-Stokes-Lösern wird die Fähigkeit sein, Flüsse zu berechnen, die mit klassischen Methoden unmöglich sind. Das bedeutet nicht unbedingt, jeden Wirbel in einem turbulenten Fluss von Grund auf zu simulieren. Es könnte bedeuten, eine gleichwertige Genauigkeit mit Größenordnungen weniger Rechenzeit oder Energie zu erreichen. Es könnte bedeuten, inverse Probleme zu lösen, bei denen Ingenieure nicht fragen, "welche Strömung aus dieser Geometrie resultiert", sondern "welche Geometrie den gewünschten Fluss erzeugt". Inverses Design ist mit klassischen Methoden extrem teuer, weil es viele Vorwärtssimulationen erfordert. Quantencomputer, mit ihrer Fähigkeit, viele Konfigurationen in Superposition zu erforschen, könnte inverses Design praktisch machen.

Erfolgreich könnten auch quantenklassische Hybridansätze sein, bei denen ein Quantenprozessor die rechenintensivsten Teile der Simulation verarbeitet, während der klassische Prozessor den Rest verwaltet. Diese Hybridvision ist kurzfristig realistisch und ermöglicht eine schrittweise Übernahme, wenn sich die Quantenhardware verbessert.

Die Navier-Stokes-Gleichungen haben sich einer vollständigen Rechenlösung seit fast zwei Jahrhunderten widersetzt. Quantencomputer bieten den ersten plausiblen Weg, um die Skalierungsbarriere zu durchbrechen, die klassische Methoden eingeschränkt hat. Der Weg ist lang und die Herausforderungen sind signifikant, aber die potenziellen Auswirkungen auf Wissenschaft, Technik und Gesellschaft sind enorm. Jedes Gebiet, das flüssige Bewegung beinhaltet, von der Medizin bis zur Meteorologie, von der Luft- und Raumfahrt bis zur Energie, muss transformiert werden.