Killer app của quantum computer có thể không phải AI: Nó có thể là những phương trình engineer đã giải suốt một thế kỷ

Nếu quantum computer cuối cùng tìm được một công việc đủ giá trị để trả cho chi phí phần cứng của nó, công việc đó có thể không phải huấn luyện thêm một AI. Nó có thể là giải nhanh hơn những phương trình mà kỹ sư đã dùng để tính nhiệt, dòng chảy, ứng suất, điện trường và khuếch tán từ hơn một thế kỷ trước.

Đằng sau mô phỏng khí động học của cánh máy bay, độ rung của thân xe, nhiệt chạy qua một pack pin hay dòng máu trong bơm tim thường là các partial differential equations (PDE) — phương trình vi phân riêng phần. Máy tính cổ điển không giải chúng ở dạng liên tục; chúng chia không gian thành hàng triệu hoặc hàng tỷ điểm/phần tử, biến PDE thành những hệ phương trình đại số rất lớn rồi dùng finite element method (FEM), finite volume hoặc computational fluid dynamics (CFD) để tìm nghiệm gần đúng.

Đây là một trong những workload đắt nhất của scientific computing, và năm 2026 đã xuất hiện hai tín hiệu đáng chú ý. Một nhóm IonQ–Synopsys đưa quantum optimization vào chính LS-DYNA, phần mềm FEA công nghiệp, và báo cáo giảm thời gian end-to-end tới 14,6% trên một số model có mesh tới 35 triệu phần tử. Ở hướng khác, các nhóm đang đưa trực tiếp những phương trình vận chuyển và fluid dynamics lên quantum hardware, đồng thời bắt đầu tính toàn bộ chi phí từ state preparation tới readout thay vì chỉ báo cáo tốc độ của một subroutine lý tưởng.

Cả hai chưa chứng minh rằng quantum computer sẽ thay HPC cluster. Nhưng chúng cho thấy một ứng dụng thực dụng hơn nhiều so với hình ảnh “quantum AI”: dùng qubit để xử lý những cấu trúc toán học đã nằm ở lõi của engineering software từ lâu.

Một chiếc xe ảo cuối cùng cũng trở thành ma trận

Trong finite element analysis, kỹ sư chia một cấu trúc phức tạp thành các phần tử nhỏ — tetrahedron, hexahedron, shell hoặc beam. Các định luật cơ học được viết cho từng phần tử rồi ghép lại thành một hệ toàn cục có dạng gần như Ax = b.

Ma trận A có thể chứa hàng triệu hoặc hàng tỷ bậc tự do nhưng thường rất thưa: mỗi điểm chỉ tương tác trực tiếp với một số hàng xóm. Điều tương tự xuất hiện trong heat transfer, electromagnetics, structural mechanics và nhiều dạng PDE khác. Vì vậy các sparse linear solver, preconditioner và kỹ thuật partitioning đã trở thành xương sống của simulation công nghiệp.

Khi model lớn, vấn đề không chỉ là số phép nhân. Thứ tự sắp xếp biến có thể làm quá trình factorization tạo ra nhiều phần tử khác 0 mới — hiện tượng gọi là fill-in — khiến memory và runtime tăng mạnh. Graph partitioning được dùng để chia mesh và sắp xếp cấu trúc tính toán sao cho fill-in và communication giảm xuống.

Đó chính là vị trí mà quantum computer đã chen vào LS-DYNA trong công trình được IonQ công bố tại IEEE International Conference on Quantum Computing and Engineering 2026.

Quantum computer chưa giải chiếc xe — nó giúp HPC sắp xếp bài toán tốt hơn

Paper “End-to-End Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows” tích hợp một quantum solver cho Graph Partitioning Problem vào workflow LS-DYNA của Synopsys/Ansys. Quantum component dựa trên Iterative-QAOA; phần còn lại của FEA vẫn chạy trên hạ tầng classical HPC.

Nhóm đánh giá các bài toán gồm eigenmode và transient simulation, với model công nghiệp như sedan, động cơ phản lực Rolls-Royce, drill và impeller. Mesh lớn nhất có tới 35 triệu phần tử. Quantum workflow được mô phỏng tới 150 qubit bằng CUDA-Q/cuTensorNet; một phần cũng được chạy trên IonQ Forte với 36 qubit.

Theo báo cáo tại QCE26, best-case end-to-end wall-clock improvement đạt 14,6% ở các model công nghiệp; với hardware Forte, một số trường hợp đạt khoảng 12%. Công trình nhận Best Paper ở track Quantum End-to-End Hybrid Case Studies.

Đây là kết quả đáng chú ý chính vì nó không tuyên bố một quantum kernel “nhanh hơn 1.000 lần” trong chân không. Metric là thời gian của cả workflow FEA. Nhưng cũng phải đọc đúng: quantum processor không giải trực tiếp toàn bộ PDE hay hệ tuyến tính 35 triệu phần tử. Nó giải một bài toán partitioning có thể làm phần classical phía sau chạy hiệu quả hơn.

Nói cách khác, NISQ quantum computing có thể tìm thấy chỗ đứng đầu tiên như một coprocessor trong workflow kỹ thuật, tương tự GPU từng bắt đầu bằng việc tăng tốc một số kernel trước khi trở thành nền tảng computing rộng hơn.

Hướng tham vọng hơn: đưa chính PDE lên qubit

Một hướng khác muốn quantum computer xử lý trực tiếp sự tiến hóa của trường vật lý.

Tháng 4/2026, một nhóm IonQ–Synopsys công bố Quantum Lattice Boltzmann Method cho phương trình advection–diffusion ba chiều với velocity field thay đổi theo không gian. Advection–diffusion mô tả một đại lượng vừa bị dòng chảy mang đi vừa khuếch tán — cấu trúc xuất hiện trong truyền nhiệt, vận chuyển chất và nhiều bài toán fluid dynamics.

Nhóm chạy các demonstration trên hệ trapped-ion IonQ Forte và một hệ phát triển Barium 64 qubit. Đây là bước tiến so với những demo quantum CFD rất nhỏ trước đó vì velocity field không còn đồng nhất và bài toán có cấu trúc ba chiều gần hơn với CFD thực tế.

Nhưng chính paper cũng nêu ra một nút thắt quan trọng: sau mỗi giai đoạn, việc đọc density ra khỏi quantum state rồi nạp lại có thể trở thành bottleneck. Quantum state có thể chứa một vector có kích thước tăng theo hàm mũ số qubit, nhưng đo nó không cho phép tải toàn bộ vector đó ra miễn phí.

Đây là vấn đề sẽ xuất hiện xuyên suốt mọi tuyên bố “quantum giải PDE nhanh hơn”.

Quantum có thể lưu cả trường nghiệm rất gọn — nhưng engineer thường muốn nhìn thấy nó

Giả sử một simulation có N điểm lưới. Classical solver thường lưu N giá trị. Quantum algorithm có thể mã hóa vector đó vào amplitudes của khoảng log₂N qubit. Trên giấy, đây là compression cực lớn và là nguồn gốc của nhiều speedup lý thuyết.

Nhưng engineer thường muốn contour plot nhiệt độ ở mọi điểm, velocity field toàn miền hoặc stress ở từng phần tử. Muốn đọc đầy đủ N giá trị từ quantum state, lợi thế có thể biến mất vì cần rất nhiều phép đo.

Đó là lý do những use case hấp dẫn nhất có thể không phải “xuất toàn bộ simulation”, mà là trả lời một câu hỏi nhỏ về một simulation rất lớn: lực cản tổng cộng là bao nhiêu, heat flux qua một mặt là bao nhiêu, eigenfrequency thấp nhất ở đâu, hay một reaction rate có vượt threshold không.

Một phân tích end-to-end được chấp nhận trên PRX Quantum tháng 7/2026 cho nonlinear fluid dynamics đi thẳng vào vấn đề này. Nhóm của David Jennings và cộng sự xây quantum algorithm cho incompressible lattice Boltzmann equation rồi tính cả convergence, time stepping, condition number và data extraction. Kết luận không phải exponential miracle: họ tìm thấy khả năng giữ một quantum advantage khiêm tốn nhưng không bằng 0 cho một số observable, đặc biệt khi error tolerance tương đối cao.

Đây có thể là mô hình thực tế hơn cho “killer app”: quantum computer không trả về một bức tranh CFD hoàn chỉnh; nó tăng tốc việc ước lượng một đại lượng engineering cụ thể từ một không gian trạng thái quá lớn.

FEM là mục tiêu tự nhiên vì nó đã biến vật lý thành linear algebra

Finite element method đặc biệt hấp dẫn với quantum algorithm vì sau discretization, rất nhiều bài toán quay về sparse matrices và linear systems — đúng nhóm cấu trúc mà quantum linear-system algorithm đã nghiên cứu từ lâu.

Tháng 6/2026, một paper trên SIAM Journal on Scientific Computing của Forschungszentrum Jülich và Saarland University đi vào một phần thường bị bỏ qua trong các phân tích speedup: làm sao thực sự xây các oracle cần để block-encode stiffness matrix và mass matrix của FEM.

Hai ma trận này không phải chi tiết toán học phụ. Stiffness matrix mã hóa cách phần tử phản ứng với lực hoặc gradient trường; mass matrix xuất hiện trong động lực học và nhiều bài toán theo thời gian. Nếu chi phí tạo chúng trên quantum computer quá lớn, speedup của linear solver phía sau không còn ý nghĩa.

Nhóm cho thấy các oracle có thể được xây với complexity tăng polylogarithmic theo kích thước bài toán trong những giả định nhất định, nên về mặt asymptotic chúng không phá hỏng khả năng có polynomial hoặc exponential advantage theo N. Nhưng tác giả cũng nói rõ các oracle vẫn đắt trong thực tế.

Đó là đặc điểm chung của lĩnh vực hiện nay: các mảnh toán học bắt đầu ghép được với nhau, nhưng “asymptotically better” chưa đồng nghĩa “faster on a machine we can build”.

Những phương trình cũ lại phù hợp kỳ lạ với quantum computer

Navier–Stokes, heat equation, Maxwell equations hay elasticity không mới. Chính điều đó làm chúng thú vị như một ứng dụng quantum.

Chúng đã có hàng chục năm benchmark, solver, mesh generator, preconditioner và workflow công nghiệp. Nếu một quantum algorithm tuyên bố tốt hơn, nó phải cạnh tranh với những classical methods cực kỳ trưởng thành — không phải một baseline sơ sài. Nhưng nếu thắng được, giá trị cũng dễ định lượng: mỗi phần trăm giảm runtime có thể biến thành ít core-hour hơn hoặc cho phép chạy thêm nhiều phương án thiết kế trong cùng deadline.

Dự án Qu&Co-Flow do EU tài trợ đang nhắm chính lớp bài toán này: phát triển quantum-based PDE solver và thư viện multiphysics cho battery, fuel-cell và aerodynamics simulation. Báo cáo dự án cho biết framework đã được thử từ các model phân tích nhỏ tới bài toán quy mô trung bình, đồng thời nghiên cứu error mitigation và triển khai trên QPU. Đây vẫn là R&D platform, không phải đối thủ thương mại của Ansys hay COMSOL, nhưng lựa chọn use case cho thấy nơi các nhóm tin quantum acceleration có thể tạo giá trị.

Có bốn khoản “thuế” mà một speedup trên giấy phải trả

Một quantum PDE solver end-to-end phải vượt ít nhất bốn bottleneck.

Thứ nhất là data loading. Geometry, material coefficient, source term và boundary condition đều bắt đầu dưới dạng classical data. Nếu mất O(N) thời gian để mã hóa chúng vào quantum state, một speedup theo log(N) ở bước solver có thể bị xóa.

Thứ hai là condition number và preconditioning. Hệ tuyến tính có condition number xấu khiến cả classical lẫn quantum solver khó hội tụ. Preconditioner là một trong những bí quyết khiến FEM/CFD cổ điển mạnh; xây một quantum-compatible preconditioner hiệu quả không phải chuyện hiển nhiên.

Thứ ba là output. Nếu cần đọc toàn bộ solution field, measurement cost có thể lấy lại gần hết lợi thế. Quantum algorithm phù hợp hơn khi output là một số observable nhỏ.

Thứ tư là fault tolerance. Những speedup mạnh nhất của quantum linear algebra và PDE solver thường giả định logical qubit ổn định trong circuit dài. Hardware NISQ hiện nay có thể demo các phiên bản nhỏ hoặc tăng tốc subproblem, nhưng chưa chạy được các fault-tolerant algorithm quy mô engineering thật.

“Killer app” có thể là một accelerator vô hình bên trong phần mềm engineer đã dùng

Nếu quantum computing tạo giá trị trong engineering simulation, người dùng cuối có thể thậm chí không viết quantum circuit.

Một engineer vẫn mở LS-DYNA, Abaqus, Ansys, COMSOL hoặc một CFD package quen thuộc. Classical CPU/GPU vẫn chia mesh, xử lý I/O, visualization và phần lớn numerics. Quantum backend chỉ được gọi ở một số kernel mà nó có lợi thế: partitioning, linear solve, eigenvalue estimation hoặc một phép đo observable nào đó. Sau đó kết quả quay lại workflow cổ điển.

Cách triển khai này ít hào nhoáng hơn ý tưởng quantum computer tự thiết kế động cơ hay huấn luyện AI khổng lồ. Nhưng nó gần với lịch sử computing hơn. GPU không chinh phục scientific computing bằng cách thay CPU hoàn toàn; nó thắng vì một số phép tính song song đủ quan trọng để đáng gửi sang accelerator.

Quantum computer có thể đi theo con đường tương tự. Năm 2026, bằng chứng mạnh nhất vẫn ở mức subroutine, prototype và phân tích fault-tolerant, chưa phải một CFD job công nghiệp được quantum machine giải nhanh hơn supercomputer từ đầu tới cuối. Nhưng các kết quả mới bắt đầu thu hẹp câu hỏi từ “quantum computer dùng để làm gì?” xuống một câu cụ thể hơn: trong hàng nghìn bước của một simulation engineering, bước nào có cấu trúc đủ phù hợp để qubit đáng được bật lên?

Nếu câu trả lời cuối cùng nằm trong sparse matrices, PDE và finite elements, killer app đầu tiên của quantum computing có thể trông rất ít giống khoa học viễn tưởng. Nó có thể chỉ là một solver nhanh hơn cho những phương trình mà engineer đã quen nhìn thấy từ trước khi transistor được phát minh.

Nguồn: IonQ — IEEE Quantum Week 2026 / End-to-End Performance of Quantum-Accelerated Large-Scale Linear Algebra Workflows; arXiv — End-to-end performance of quantum-accelerated large-scale linear algebra workflows; arXiv — Quantum Lattice Boltzmann Solutions for Transport under 3D Spatially Varying Advection on Trapped Ion Hardware; PRX Quantum — End-to-end quantum algorithm for nonlinear fluid dynamics with bounded quantum advantage; SIAM Journal on Scientific Computing — An Implementation of Quantum Oracles for the Finite Element Method; European Commission CORDIS — Qu&Co-Flow.