Skalierbare Strömungssimulationen Ein neuer Meilenstein in der Quanten-CFD-Simulation

Anbieter zum Thema

Heidrive GmbH

SolidCAM GmbH

ITWH Inst.f.technisch- wissensch. Hydrologie GmbH

Quanscient und Haiqu haben einen Durchbruch in der Entwicklung von Algorithmen für Quanten-CFD-Simulation (Computational Fluid Dynamics) bekannt gegeben, der die Skalierbarkeit von Simulationen in der numerischen Strömungsmechanik auf Quantencomputern erheblich verbessern könnte.

Forscher von Quanscient, einem Anbieter cloudbasierter multiphysikalischer Simulationen und Quantenalgorithmen, sowie Haiqu, einem Entwickler von Quanten-Middleware, haben gemeinsam einen neuen Algorithmus entwickelt, der den Einsatz von Quantencomputing für reale Ingenieuranwendungen wie der CFD-Simulation voranbringt.

Der neue Ansatz von Quanscient und Haiqu reduziert den Ressourcenbedarf und zeigt eine der bislang komplexesten öffentlich dokumentierten Quanten-Simulationen nichtlinearer Strömungen.

Die Teams führten einen 15-stufigen nichtlinearen CFD-Benchmark mit einem Hindernis durch. Damit handelt es sich um die bislang physikalisch komplexeste öffentlich demonstrierte Variante einer Quantum-Lattice-Boltzmann-Methode (QLBM) auf Quantenhardware. Der Algorithmus wurde auf dem größten verfügbaren IBM-Quantencomputer, dem IBM Heron R3, getestet.

Ressourcen effizienter nutzen

Durch die Reduzierung der benötigten Qubits sowie der Rechenoperationen macht der Ansatz komplexe CFD-Simulationen auf Quantenhardware besser handhabbar und zeigt einen möglichen Weg hin zu industriell nutzbaren Anwendungen.

CFD-Simulation wird breit eingesetzt, um das Verhalten von Flüssigkeiten und Gasen zu modellieren – etwa die Luftströmung über Tragflächen von Flugzeugen – und spielt eine zentrale Rolle in der Luft- und Raumfahrt, der Automobilindustrie sowie im Energiesektor. Diese Simulationen sind jedoch sehr rechenintensiv und benötigen selbst auf Supercomputern oft Tage oder Wochen.

Der neue Algorithmus adressiert eine der zentralen Herausforderungen der Quanten-CFD-Simulation: den hohen Ressourcenbedarf. Durch effizientere Strukturen wird ein praktikablerer Weg für reale Quanten-Simulationsprozesse aufgezeigt, der langfristig schnellere und leistungsfähigere Entwicklungsprozesse ermöglichen könnte.

Wichtiger Beitrag für Quanten-CFD-Simulation

„Dies ist ein interessanter und zeitgemäßer Beitrag zur Quanten-CFD“, sagte Professor Oleksandr Kyriienko von der University of Sheffield. „Er schlägt ein flexibleres Quantum-LBM-Framework vor und untermauert es mit Anwendungen von linearer Akustik bis hin zu IBM-QPU-gestützten nichtlinearen Strömungssimulationen.“

„Dies ist eine der realistischsten CFD-Simulationen, die je auf einem Quantencomputer ausgeführt wurden“, sagte Mykola Maksymenko, CTO von Haiqu. „Es zeigt die Richtung hin zur Simulation realer Strömungen um komplexe Geometrien auf Quantenhardware – ein notwendiger Schritt in Richtung industrieller Anwendbarkeit.“

„CFD gehört zu den rechenintensivsten Bereichen der Simulation“, sagte Valtteri Lahtinen, Chief Scientist bei Quanscient. „Quantencomputer könnten künftig deutlich komplexere Simulationen ermöglichen als klassische Systeme und so Entwicklungen in Luftfahrt, Energie und weiteren Bereichen verändern.“

Weiterentwicklung klassischer CFD-Methoden

Die Forscher entwickelten eine neuartige One-Step Simplified Lattice Boltzmann Method (OSSLBM), eine quantenunterstützte Weiterentwicklung klassischer CFD-Methoden. Dieser Ansatz ermöglicht mehrstufige nichtlineare Strömungssimulationen mit Hindernissen auf Quantenhardware.

Der Software-Layer von Haiqu spielte dabei eine zentrale Rolle: Er reduzierte die Schaltkreistiefe, optimierte algorithmische Subroutinen und setzte Fehlerreduktionsverfahren ein, wodurch ein mehrstufiger Workflow möglich wurde, der sonst mit heutiger Hardware nicht realisierbar wäre.

Das hybride quantenklassische OSSLBM-Framework zeigt einen praktischen Weg zu fortschrittlicheren Quanten-CFD, während sich die Hardware weiterentwickelt.

Weitere Informationen zur Forschung sind in der entsprechenden arXiv-Publikation verfügbar.

Quanscient: https://quanscient.com/

Haiqu: https://haiqu.ai/