[论文解读] Quantum Finite Volume Method for Computational Fluid Dynamics with Classical Input and Output

Zhaoyun Chen, Cheng Xue+6 more|arXiv (Cornell University)|Feb 6, 2021

Quantum Computing Algorithms and Architecture参考文献 23被引用 8

一句话总结

该论文提出了一种用于计算流体动力学（CFD）的量子有限体积法（QFVM），通过利用具有经典输入输出的量子线性系统求解器（QLS），实现了相对于经典求解器的指数级加速。借助量子随机存取存储器（QRAM），该算法实现了每迭代的次线性时间复杂度，其复杂度为 $ O\big(\frac{(s^3 + \log N)s\kappa\log^3 N}{\epsilon^2} \mathrm{polylog}(s\kappa/\epsilon)\big) $，同时保持经典数据接口，并在大规模模拟中保持误差容限。

ABSTRACT

Computational fluid dynamics (CFD) is a branch of fluid mechanics that uses numerical methods to solve fluid flows. The finite volume method (FVM) is an important one. In FVM, space is discretized to many grid cells. When the number of grid cells grows, massive computing resources are needed correspondingly. Recently, quantum computing has been proven to outperform a classical computer on specific computational tasks. However, the quantum CFD (QCFD) solver remains a challenge because the conversion between the classical and quantum data would become the bottleneck for the time complexity. Here we propose a QCFD solver with exponential speedup over classical counterparts and focus on how a quantum computer handles classical input and output. By utilizing quantum random access memory, the algorithm realizes sublinear time at every iteration step. The QCFD solver could allow new frontiers in the CFD area by allowing a finer mesh and faster calculation.

研究动机与目标

• 开发一种用于CFD的量子算法，实现相对于经典有限体积法（FVM）的指数级加速，同时保持经典输入和输出。
• 通过设计基于QRAM的内存布局，解决量子CFD求解器中经典-量子数据传输瓶颈，实现高效的数据访问和态制备。
• 将量子线性系统求解器（QLS）集成到迭代FVM框架中，而不损失精度或收敛特性。
• 证明量子采样误差不会随问题规模增长，确保在大规模CFD问题中的鲁棒性。
• 通过在 $ N = 10^5 $ 个单元和 $ \epsilon = 3 \times 10^{-2} $ 条件下的Onera M6测试案例进行数值模拟，验证算法的正确性和稳定性。

提出的方法

• 该方法采用量子有限体积法（QFVM），在每个时间步将纳维-斯托克斯方程离散化为稀疏线性系统，以经典FVM作为参考框架。
• 利用量子线性系统求解器（QLS）求解所得的稀疏线性方程组，其时间复杂度取决于稀疏度 $ s $、条件数 $ \kappa $、问题规模 $ N $ 和精度 $ \epsilon $。
• 基于QRAM的内存布局用于存储经典问题数据和中间结果，实现对系数和向量的量子并行访问，时间复杂度为对数多项式级别。
• 通过 $ l_\infty $ 量子态层析成像处理QLS输出的量子态，采样得到一个经典向量 $ \tilde{u} $，其与归一化解向量 $ u $ 的距离在 $ \epsilon $ 以内。
• 在QRAM结构中集成量子雅可比预条件子，以保持与经典FVM相同的条件数依赖关系，确保收敛行为相当。
• 在每次量子步骤后迭代更新经典数据，保留经典接口的同时，在求解阶段实现指数级加速。

实验结果

研究问题

• RQ1 能否设计一种量子有限体积法，在处理经典输入输出的同时，实现相对于经典FVM的指数级加速？
• RQ2 如何利用量子随机存取存储器（QRAM）将量子CFD求解器中的数据访问时间复杂度降低至问题规模的次线性级别？
• RQ3 由量子态采样引入的误差是否会随问题规模 $ N $ 增大而增长，还是独立于 $ N $ 保持有界？
• RQ4 能否将量子预条件子集成到QRAM结构中，以保持与经典FVM相同的条件数依赖关系？
• RQ5 量子采样误差对大规模CFD模拟最终解精度的影响如何？

主要发现

• 所提出的QFVM的时间复杂度为 $ O\big(\frac{(s^3 + \log N)s\kappa\log^3 N}{\epsilon^2} \mathrm{polylog}(s\kappa/\epsilon)\big) $，相对于经典FVM对 $ N $ 的线性依赖，实现了指数级加速。
• 量子采样误差不随问题规模 $ N $ 增大而增长，其推导表明 $ E_i = O(U_i) $，意味着误差始终保持有界，与 $ N $ 无关。
• 由于在QRAM结构中集成了量子雅可比预条件子，该算法保持了与经典FVM相同的条件数 $ \kappa $ 依赖关系。
• 在 $ 10^5 $ 个单元和 $ \epsilon = 3 \times 10^{-2} $ 条件下的Onera M6测试案例的数值模拟正确收敛，证实了其鲁棒性和精度。
• 当 $ N \gg 1/\epsilon^2 $ 时，量子求解器优于经典求解器，表明在大规模CFD问题中存在明确的量子优势。
• 保留了经典输入输出接口，通过QRAM将数据传输成本降低至对数多项式时间，避免了以往量子CFD方法中的主要瓶颈。