量子科技中心_量科网

由于湍流的高维特性和内在非线性，准确预测其流动一直是流体动力学的核心难题。量子算法与机器学习的最新进展为突破湍流建模中的计算瓶颈提供了新机遇。该研究团队提出了一种新型量子-经典混合框架，通过融合机器学习、量子计算与流体动力学建模（特别是降阶建模技术），实现了超实时的湍流预测。这一创新框架将量子本征正交分解（QPOD）与量子增强深度核学习（QDKL）方法相结合：QPOD利用量子电路高效执行特征值分解以实现低秩流动重构，而QDKL则通过量子纠缠与非线性映射增强核表达能力和动态预测精度。在三种基准湍流测试中，该架构在降低模型阶数的同时显著提升了预测精度——相较于经典方法，训练速度最高提升10倍，参数数量缩减为1/N（N为输入维度）。尽管受限于当前含噪声中等规模量子（NISQ）硬件，该工作成果揭示了量子机器学习变革湍流模拟的潜力，并为未来量子计算机上可扩展的实时量子流体建模奠定了坚实基础。