[論文レビュー] A super-polynomial quantum-classical separation for density modelling

Niklas Pirnay, Ryan Sweke+2 more|arXiv (Cornell University)|Oct 26, 2022

Quantum Computing Algorithms and Architecture被引用数 6

ひとこと要約

この論文は、弱い擬似乱数関数（weak PRF）を用いて、古典的学習に対して実際に証明可能な難解性を持つ分布クラスを構築することで、密度モデル化における超多項式的量子優位性を確立した。一方で、修正された量子ジェネレータ・ラーナーを用いることで、量子的評価は効率的に可能である。この結果は、標準的な暗号的仮定の下で、評価者学習における量子と古典の分離を初めて厳密に示した。

ABSTRACT

Density modelling is the task of learning an unknown probability density function from samples, and is one of the central problems of unsupervised machine learning. In this work, we show that there exists a density modelling problem for which fault-tolerant quantum computers can offer a super-polynomial advantage over classical learning algorithms, given standard cryptographic assumptions. Along the way, we provide a variety of additional results and insights, of potential interest for proving future distribution learning separations between quantum and classical learning algorithms. Specifically, we (a) provide an overview of the relationships between hardness results in supervised learning and distribution learning, and (b) show that any weak pseudo-random function can be used to construct a classically hard density modelling problem. The latter result opens up the possibility of proving quantum-classical separations for density modelling based on weaker assumptions than those necessary for pseudo-random functions.

研究の動機と目的

• 生成モデルにとどまらず、密度モデル化についても、量子優位性研究におけるギャップを埋めるために、分離を証明すること。
• 弱い擬似乱数関数（PRF）が、古典的学習の難解性を示すために十分であることを示し、強い暗号的仮定への依存を軽減すること。
• より弱い難解性仮定に基づいて、将来的な量子古典分離を証明するためのフレームワークを提供すること。
• 従来、古典的ジェネレータ学習に対して難解であると示された分布クラスについて、量子アルゴリズムがその評価者（密度関数）を効率的に学習できることを示すこと。
• 近い将来の装置における量子優位性の可能性を検討し、ノイズのある量子アルゴリズムによって破壊可能な仮定を特定すること。

提案手法

• 弱いPRFを活用して、古典的評価者学習に対して難解である分布クラスを構築し、従来の完全な強度のPRFに基づく結果を一般化する。
• Swekeら（2021）の量子ジェネレータ・ラーナーを、出力としてサンプルではなく確率重みを生成するようにアーキテクチャを変更することで、量子評価者・ラーナーに変換する。
• 決定的ディフィー・ヘルマン（DDH）仮定を用いて、構築された分布クラスにおける古典的評価者学習の難解性を確立する。
• 決定的量子アルゴリズムを用いた離散対数問題のサブルーチンを活用し、サンプルから秘密鍵を回復することで、密度関数の正確な評価を可能にする。
• 既知のパrametersを用いて量子鍵学習アルゴリズムを組み合わせ、誤差ゼロ（ε=0, δ=0）の完全に効率的な量子評価者・ラーナーを構築する。
• 秘密鍵と公開パラメータが密度関数を完全に指定することに依存しており、これにより量子的手段で評価者を回復可能である。

実験結果

リサーチクエスチョン

• RQ1 密度モデル化において、生成モデルにとどまらず、超多項式的量子古典分離を厳密に確立できるか？
• RQ2 標準的なPRFよりも弱い仮定を要する弱いPRFを用いて、評価者学習における古典的難解性を証明できるか？
• RQ3 耐障害性を持つ量子アルゴリズムを用いて、効率的かつ保証可能な方法で密度モデル化における量子優位性を達成できるか？
• RQ4 近い将来の量子装置によって破壊可能な仮定のもとで、評価者学習の古典的難解性を確立できるか？
• RQ5 耐障害性システムではなく、ノイズの多いNISQ時代のハードウェアで動作する量子アルゴリズムを用いて、量子古典分離を証明できるか？

主な発見

• 決定的ディフィー・ヘルマン（DDH）仮定の下で、密度モデル化における超多項式的量子古典分離が確立された。
• 任意の弱いPRFを用いて、古典的学習が困難な密度モデル化問題を構築可能であり、古典的難解性に必要な暗号的仮定を顕著に弱める。
• 量子評価者・ラーナーは、Swekeら（2021）の量子ジェネレータ・ラーナーの修正版を用いて、誤差ゼロ（ε=0, δ=0）の完全な学習を達成した。
• 量子アルゴリズムは、決定的離散対数サブルーチンを用いて、サンプルから秘密鍵を回復し、密度関数の完全な再構築を可能にした。
• 古典的難解性は、サンプルから秘密鍵を学習することが弱いPRFの破壊に等しいことから生じ、これは仮定として難解であるとされている。
• 本研究の結果は、近い将来の量子アルゴリズムに脆弱である可能性のある仮定（例：LPNに基づく弱いPRF）を根拠にした、分布学習における量子優位性の証明への道を開いた。