[論文レビュー] Genetic Algorithms and Quantum Computation

Gilson A. Giraldi, Renato Portugal+1 more|ArXiv.org|Mar 4, 2004

Quantum Computing Algorithms and Architecture参考文献 27被引用数 18

ひとこと要約

この論文は、量子計算における量子進化プログラミングおよび遺伝的アルゴリズム（GA）を調査し、重ね合わせ状態とユニタリ操作を活用して集団の多様性と収束性を向上させる量子遺伝的アルゴリズム（QGA）を提案する。QGAが量子並列性と真のランダムネスを活用して探索効率を向上させられることを示しているが、量子クロスオーバーとスケーラブルな実装の課題は依然として残っている。

ABSTRACT

Recently, researchers have applied genetic algorithms (GAs) to address some problems in quantum computation. Also, there has been some works in the designing of genetic algorithms based on quantum theoretical concepts and techniques. The so called Quantum Evolutionary Programming has two major sub-areas: Quantum Inspired Genetic Algorithms (QIGAs) and Quantum Genetic Algorithms (QGAs). The former adopts qubit chromosomes as representations and employs quantum gates for the search of the best solution. The later tries to solve a key question in this field: what GAs will look like as an implementation on quantum hardware? As we shall see, there is not a complete answer for this question. An important point for QGAs is to build a quantum algorithm that takes advantage of both the GA and quantum computing parallelism as well as true randomness provided by quantum computers. In the first part of this paper we present a survey of the main works in GAs plus quantum computing including also our works in this area. Henceforth, we review some basic concepts in quantum computation and GAs and emphasize their inherent parallelism. Next, we review the application of GAs for learning quantum operators and circuit design. Then, quantum evolutionary programming is considered. Finally, we present our current research in this field and some perspectives.

研究の動機と目的

• 量子計算における量子進化プログラミングおよびGAの応用に関する主要な研究を調査・統合すること。
• 重ね合わせやもつれといった量子計算の原則が、遺伝的アルゴリズムの性能をどのように向上させられるかを検討すること。
• 量子並列性と進化的な探索を効果的に組み合わせられる量子遺伝的アルゴリズム（QGA）を設計する課題に対処すること。
• 量子回路とユニタリ演算子を用いて、量子演算子学習および回路設計のための解を進化させる可能性を調査すること。
• 進化的計算における量子クロスオーバーとスケーラブルな量子集団管理の分野における未解決問題を特定すること。

提案手法

• キュービットで表現される遺伝子とユニタリ操作を用いて、重ね合わせ状態に置かれた集団を表し、進化させるQGAフレームワークを提案する。
• フィットネス評価機構として、ユニタリ演算子 $U_f$ を用いてフィットネス値を遺伝子状態ともつれさせる。
• 測定により重ね合わせを崩し、観測されたフィットネスを持つ個体に収束させた後、制御された変異を引き起こすためにユニタリ操作 $P$ を適用する。
• 測定後の多様性回復を実現するため、$U_f P U_f^{-1}$ の順序を用い、進化中における量子コherenCeを保持する。
• 回路空間の構造を分析し、進化的戦略の効率を向上させるために、配置空間形式を導入する。
• ゲート構造に対するクロスオーバーと変異を用いたフィットネス駆動型進化を通じ、既存のQIGAおよびQGAスキーム（例：Rubinstein, Yabuki）を量子回路表現を用いて分析する。

実験結果

リサーチクエスチョン

• RQ1 重ね合わせ状態とユニタリ操作をどのように活用することで、遺伝的アルゴリズムにおける多様性と収束性を向上させられるか？
• RQ2 物理的に実現可能な量子ハードウェア環境において、量子クロスオーバーと変異を実装する上で直面する根本的な課題は何か？
• RQ3 量子進化プログラミングは、ユニタリ演算子を効果的に学習し、最適な量子回路を設計できるか？
• RQ4 配置空間形式は、量子回路探索空間の構造を理解し最適化するためにどのように役立つか？
• RQ5 測定の過程で個体とそのフィットネス値の相関を維持するという点で、現在のQGAモデルの限界は何か？

主な発見

• 提案されたQGAフレームワークは、重ね合わせを活用することで集団の多様性を維持し、古典的GAでは両立不可能な高フィットネス個体の共存を可能にする。
• 測定により重ね合わせが崩れ、観測されたフィットネスを持つ個体にのみ収束するため、有効な集団サイズが減少する。これに対して、$U_f P U_f^{-1}$ を用いて多様性を回復させる必要がある。
• この手法は、特に大規模で非線形な探索空間において、量子並列性と真のランダムネスを活用して探索効率を向上させられることを示している。
• Rubinstein や Yabuki のような既存の手法は、ゲート構造表現に基づく進化的戦略を用いて、量子回路のサイズを効果的に縮小した（例：11ゲートから8ゲートへ）。
• 分析により、個体とフィットネス値を単純にもつれさせた場合（$|\Psi\rangle = \sum a_x|x\rangle \otimes \sum b_y|f(y)\rangle$）には、個体とフィットネスの相関が破壊され、直接測定に基づく選択が無効になることが判明した。
• 理論的には有望であるが、多レジスタ系における量子通信チャネルとユニタリ制約の必要性から、実装には課題が伴う。