[論文レビュー] Quantum algorithms for approximating the effective resistances of electrical networks.

Guoming Wang|arXiv (Cornell University)|Nov 8, 2013

Quantum Computing Algorithms and Architecture参考文献 29被引用数 6

ひとこと要約

本稿では、頂点数 n、最大次数 d、抵抗比 c、拡張率 φ、誤差許容度 ε に対して対数的・多項式的に依存する時間内に、電気回路ネットワークの有効抵抗を近似する2つの量子アルゴリズムを提示する。ここで、n は頂点数、d は最大次数、c は抵抗比、φ は拡張率、ε は誤差許容度である。これらのアルゴリズムは、量子線形代数技術—特にラプラシアン逆行列と核射影—を活用し、有利な条件下では古典的手法よりも指数的高速化を達成する。また、1/φ に依存する時間複雑度の最適性が証明されている。

ABSTRACT

The theory of electrical network has many applications in algorithm design and analysis. It is an important task to compute the basic quantities about electrical networks, such as electrical flows and effective resistances, as quickly as possible. Classically, to compute these quantities, one basically need to solve a Laplacian linear system, and the best known algorithms take Õ(m) time, where m is the number of edges. In this paper, we present two quantum algorithms for approximating the effective resistance between any two vertices in an electrical network. Both of them have time complexity polynomial in logn, d, c, 1/φ and 1/ε, where n is the number of vertices, d is the maximum degree of the vertices, c is the ratio of the largest to the smallest edge resistance, φ is the expansion of the network, and ε is the relative error. In particular, when d and c are small and φ is large, our algorithms run very fast. In contrast, it is unknown whether classical algorithms can solve this case very fast. Furthermore, we prove that the polynomial dependence on the inverse expansion (i.e. 1/φ) is necessary. As a consequence, our algorithms cannot be significantly improved. Finally, as a by-product, our second algorithm also produces a quantum state approximately proportional to the electrical flow between any two vertices, which might be of independent interest. Our algorithms are based on using quantum tools to analyze the algebraic properties of graph-related matrices. While one of them relies on inverting the Laplacian matrix, the other relies on projecting onto the kernel of the weighted incidence matrix. It is hopeful that more quantum algorithms can be developed in similar way. 1

研究の動機と目的

• 古典的手法よりも効率的に電気回路ネットワークの有効抵抗を計算する量子アルゴリズムの開発。
• ラプラシアン線形方程式系を解く計算ボトルネックの緩和—古典的手法では辺数 m に対して Õ(m) 時間を要する。
• 量子アルゴリズムが、有効抵抗や電気的フローといった基本的ネットワーク量の計算において顕著な高速化を達成できるかの探求。
• 時間複雑度における逆拡張率（1/φ）の依存関係の最適性の確立—このスケーリングを改善することは不可能であることを証明。
• 2頂点間の電気的フローを近似的に比例する量子状態として副産物として生成すること。これはより広範な応用に繋がる可能性がある。

提案手法

• 最初のアルゴリズムは、量子位相推定とアモニチュード推定を用いてラプラシアン行列を逆行列化し、スペクトル的性質を介して有効抵抗を近似する。
• 2番目のアルゴリズムは、重み付き接続行列の核に射影するための量子特異値変換を用い、直接的な行列逆行列化を回避する。
• 両アルゴリズムとも、ラプラシアンや接続行列といったグラフ関連行列の代数的構造を分析するための量子ツールに依存している。
• 時間複雑度は、log n、d、c、1/φ、1/ε に対して多項式的に依存しており、1/φ への依存は必要不可避かつ最適であることが証明されている。
• 有効抵抗の近似における相対誤差 ε を達成するために、アモニチュード推定が用いられている。
• 2番目のアルゴリズムは、解空間の構造を活用して、2頂点間の電気的フローに比例する量子状態を生成する。

実験結果

リサーチクエスチョン

• RQ1 量子アルゴリズムは、古典的手法と比較して、電気回路ネットワークにおける有効抵抗の近似において指数的高速化を達成できるか？
• RQ2 時間複雑度におけるネットワークの拡張率 φ の最適依存関係は何か？また、1/φ が最良のスケーリングであるか？
• RQ3 有効抵抗の近似と同時に、2頂点間の電気的フローを符号化する量子状態を生成できるような量子アルゴリズムを設計できるか？
• RQ4 これらのアルゴリズムの性能特性は、最大次数 d、抵抗比 c、誤差許容度 ε といった構造的パラメータにどのように依存するか？
• RQ5 ラプラシアン以外のグラフ行列の代数的性質を分析するための、体系的な量子技術は存在するか？

主な発見

• 提案された量子アルゴリズムは、log n、d、c、1/φ、1/ε に対して多項式的に依存する時間複雑度を達成しており、スパarsなネットワークでパラメータが有利な場合、古典的手法の Õ(m) 時間と比べて顕著に改善されている。
• d と c が小さく、φ が大きい場合、古典的手法よりも指数的に高速であることが示され、量子優位性が最も顕著に現れる領域が特定された。
• 1/φ への依存は必須であることが証明されており、拡張率スケーリングの面でアルゴリズムを著しく改善することは不可能である。
• 2番目のアルゴリズムは、2頂点間の電気的フローに比例する量子状態を生成しており、これは将来的な量子機械学習やグラフアルゴリズムへの応用に役立つ可能性がある。
• 量子線形代数技術がグラフ行列の解析に効果的に応用可能であることが実証され、ネットワーク解析におけるさらなる量子アルゴリズム開発への道筋が開かれた。
• 理論的解析により、1/φ に対する時間複雑度の改善は不可能であり、この問題におけるリソースコストの下界が確立された。