[論文レビュー] Optimizing the walk coin in the quantum random walk search algorithm through machine learning

Hristo Tonchev, Petar Danev|arXiv (Cornell University)|May 17, 2021

Quantum Computing Algorithms and Architecture参考文献 59被引用数 5

ひとこと要約

本稿では、量子ランダムウォーク探索アルゴリズムにおけるウォークコインの最適化を、機械学習を用いて位相不正確性に対する安定性を向上させるために提案している。一般化されたハウスホルダー反射と位相シフトを組み合わせ、ニューラルネットワークおよび教師ありモデルを訓練することで、著者らは、特に位相差が制御されている場合に、より高い耐障害性を示すことを実証した。その結果、1〜3キュービットのコインを用いたハイパーキューブ上でも、より安定した探索性能が得られた。

ABSTRACT

This paper examines the stability of the quantum random walk search algorithm, when the walk coin is constructed by generalized Householder reflection and additional phase shift, against inaccuracies in the phases used to construct the coin. The optimization of the algorithm is done by numerical methods - Monte Carlo, neural networks, and supervised machine learning. The results of numerical simulations show that, with such a construction of the Householder reflection, the algorithm is more stable to inaccuracies in the specific values of these phases, as long as it is possible to control the phase difference between the phase shift and the phase involved in the Householder reflection. This paper explicitly shows as an example, how achieving a properly designed phase difference would make quantum random walk search on a hypercube more stable for coin register consisting of one, two, and three qubits.

研究の動機と目的

• ウォークコインにおける位相不正確性に対して、量子ランダムウォーク探索アルゴリズムの安定性を向上させること。
• ハウスホルダー反射と位相シフトの間の位相差が、アルゴリズムの耐障害性に与える影響を調査すること。
• モンテカルロ法、ニューラルネットワーク、教師あり学習などの機械学習技術を用いて、コイン構築を最適化すること。
• コインレジスタに1〜3キュービットを用いたハイパーキューブ構造における性能を評価すること。
• 位相差が制御されている場合に、アルゴリズムの耐障害性が顕著に向上することを示すこと。

提案手法

• ウォークコインは、一般化されたハウスホルダー反射に加えて、量子遷移を調整するための追加の位相シフトを組み合わせて構築される。
• アルゴリズムの安定性を、さまざまな位相不正確性の下で評価するためにモンテカルロシミュレーションが用いられている。
• 最適な位相設定を予測するため、ニューラルネットワークおよび教師あり機械学習モデルが訓練されている。
• 最適化は、ハウスホルダー反射の位相と追加の位相シフトの間の位相差を制御することに焦点を当てている。
• 数値シミュレーションは、コインレジスタに1〜3キュービットを用いたハイパーキューブグラフ上で実施され、性能が評価されている。
• アルゴリズムの成功は、摂動を加えた位相パrameter下での探索忠実度および収束安定性によって測定されている。

実験結果

リサーチクエスチョン

• RQ1 ウォークコインにおける位相不正確性は、量子ランダムウォーク探索アルゴリズムの安定性にどのように影響するか？
• RQ2 ハウスホルダー反射と位相シフトの間の位相差は、アルゴリズムの耐障害性にどのような役割を果たすか？
• RQ3 機械学習技術を用いることで、位相エラー下での量子ウォーク探索の安定性を向上させることができるか？
• RQ4 コインレジスタに1〜3キュービットを用いたハイパーキューブ上での位相不正確性下でのアルゴリズム性能は、どのように変化するか？
• RQ5 どのような特定の位相設定が、量子ウォーク探索プロセスにおける最適な安定性をもたらすか？

主な発見

• ハウスホルダー反射と位相シフトの間の位相差が適切に制御されている場合、アルゴリズムの安定性が顕著に向上する。
• 最適化された位相差を用いることで、コインパrameterの著しい位相不正確性に対しても、探索成功確率が高く維持される。
• ニューラルネットワークおよび教師あり学習モデルは、ランダムまたは一様な位相選択よりも優れた安定した位相設定を効果的に同定した。
• モンテカルロシミュレーションにより、位相差が絶対位相値よりも、アルゴリズムの耐障害性においてより重要な要因であることが確認された。
• 本手法は、1〜3キュービットのコインレジスタを用いたハイパーキューブ上でも高い性能を維持しており、最適化手法のスケーラビリティが示された。
• 最終版では、式 (35) の誤植が是正されており、理論的モデルの整合性が確認された。