[論文レビュー] Discrete-Time Quantum Walks and Graph Structures

Chris Godsil, Hanmeng Zhan|arXiv (Cornell University)|Jan 16, 2017

Quantum Computing Algorithms and Architecture参考文献 21被引用数 4

ひとこと要約

本稿では、回転系や3次グラフの1因子分解といったグラフ理論的構造を用いて、3つの離散時間量子ウォークモデル—アーク反転、シャント分解、2反射—を再定式化する。平均混合行列のトレースと全エントロピーが、グラフ埋め込みおよび1因子分解に大きく依存することを示しており、高 genus の埋め込みではトレースが低く、エントロピーは高くなる傾向にあり、対称的な1因子分解はトレースを最大化する。

ABSTRACT

We formulate three current models of discrete-time quantum walks in a combinatorial way. These walks are shown to be closely related to rotation systems and 1-factorizations of graphs. For two of the models, we compute the traces and total entropies of the average mixing matrices for some cubic graphs. The trace captures how likely a quantum walk is to revisit the state it started with, and the total entropy measures how close the limiting distribution is to uniform. Our numerical results indicate three relations between quantum walks and graph structures: for the first model, rotation systems with higher genera give lower traces and higher entropies, and for the second model, the symmetric 1-factorizations always give the highest trace.

研究の動機と目的

• 3つの離散時間量子ウォークモデルをグラフ理論的用語に再定式化し、回転系や1因子分解といった組合せ的構造と関連付ける。
• 量子ウォークの性質—特に平均混合行列のトレースと全エントロピー—が、下位のグラフ構造にどのように依存するかを調査する。
• ウォークの挙動やアルゴリズム的性能に影響を与える構造的指標（例：埋め込みの genus、1因子分解の対称性）を同定する。
• 特定のグラフ理論的特徴に敏感な量子ウォークベースのアルゴリズム設計の基盤を提供する。

提案手法

• ユニタリなコインフラップと回転系によるアーク反転を用いてアーク反転モデルを形式化し、単純な固有値を持つ巡回行列をコインとして選ぶ。
• シャント分解ウォークを、二部グラフの二重被覆の1因子分解を用いてモデル化し、各シャントが完全マッチングに対応する。
• 2反射モデルを、弧の重み付き分割から導かれる2つの対合写像によって駆動されるコインレスウォークとして分析し、しばしば古典的マルコフ連鎖と関連付ける。
• ウォークの遷移行列を時間平均化することで平均混合行列を計算し、そこからトレース（帰還確率）と全エントロピー（極限分布の均一性）を抽出する。
• 12頂点までの3次グラフについて、すべての回転系とシャント分解を列挙し、それぞれの関連するウォークのトレースとエントロピーを計算する。
• 数値実験を用いて、ウォークのパラメータとトポロジー的および組合せ的グラフ特徴（例：genus、対称性）の相関を調査する。

実験結果

リサーチクエスチョン

• RQ1 アーク反転モデルにおいて、グラフの埋め込みの genus は、平均混合行列のトレースとエントロピーにどのように影響するか？
• RQ2 シャント分解モデルにおいて、対称的な1因子分解は、すべてのシャント分解の中で一貫して最大のトレースを示すか？
• RQ3 平均混合行列の全エントロピーは、異なる1因子分解やグラフ埋め込みを区別できるか？
• RQ4 量子ウォークにおける最小ヒット時間や混合時間と強く相関する構造的性質（例：genus、対称性）は存在するか？
• RQ5 シャント分解モデルにおけるシャントのサイクル構造は、ウォークの極限分布を予測できるか？

主な発見

• アーク反転モデルにおいて、回転系の genus を増加させると、平均混合行列のトレースは一般に低下するが、12頂点の3次グラフにおいては少数の例外が存在する。
• アーク反転モデルにおいて、ほとんどの3次グラフについて、埋め込みの genus が高くなるほど、平均混合行列の全エントロピーが増加し、極限分布がより均一になる傾向が示された。
• シャント分解モデルにおいて、対称的な1因子分解は一貫して最大のトレース値を生成し、非対称な分解とは明確に区別される。
• シャント分解モデルにおける平均混合行列のトレースは、非同型なシャント分解を効果的に区別でき、テストされたグラフ全体で1.769から3.667の範囲で変動した。
• アーク反転モデルにおける全エントロピーは genus に従って増加する傾向にあり、これは高 genus の埋め込みが、より混合され、局在性が低い極限分布をもたらすことを示唆している。
• テストされた3次グラフの中で観測された最大トレースは、3.6667であり、完全に対称的な1因子分解によって達成された。