[論文レビュー] Quantum estimation bound of Gaussian matrix permanent

Joonsuk Huh|arXiv (Cornell University)|May 3, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本稿では、Ryserの公式を量子重なり積分に再定式化することで、指数的に小さい加法的誤差を伴う多項式時間での行列式のpermanent推定に効率的な量子アルゴリズムを初めて提示する。この手法は、古典的サンプリングアルゴリズムを上回る量子優位性を達成し、BQPとPHの関係といった重要な計算複雑性の問題を解消する可能性を有する。

ABSTRACT

Exact calculation and even multiplicative error estimation of matrix permanent are challenging for both classical and quantum computers. Regarding the permanents of random Gaussian matrices, the additive error estimation is closely linked to boson sampling, and achieving multiplicative error estimation requires exponentially many samplings. Our newly developed formula for matrix permanents and its corresponding quantum expression have enabled better estimation of the average additive error for random Gaussian matrices compared to Gurvits' classical sampling algorithm. The well-known Ryser formula has been converted into a quantum permanent estimator. When dealing with real random Gaussian square matrices of size $N$, the quantum estimator can approximate the matrix permanent with an additive error smaller than $ε(\sqrt{\mathrm{e}N})^{N}$, where $ε$ is the estimation precision. In contrast, Gurvits' classical sampling algorithm has an estimation error of $ε(2\sqrt{N})^{N}$, which is exponentially larger ($1.2^{N}$) than the quantum method. As expected, the quantum additive error bound fails to reach the multiplicative error bound of $(2πN)^{1/4}ε(\sqrt{N/\mathrm{e}})^{N}$. Additionally, the quantum permanent estimator can be up to quadratically faster than the classical estimator when using quantum phase estimation-based amplitude estimation.

研究の動機と目的

• 行列式のpermanent推定のための実用的な量子アルゴリズムを開発し、量子計算的優位性を示す。これは#P困難問題である。
• 量子重なり積分と量子シミュレーション技術を活用することで、古典的には実行不可能なpermanent計算を克服する。
• 行列式のpermanentと量子イジングハミルトニアンの実時間分割関数との間に接続を確立する。
• Gurvitsの古典的サンプリングアルゴリズムを上回る、指数的に小さい加法的誤差を達成する量子プロトコルを提供する。
• 特にBQPと多項式階層（PH）の関係について、量子複雑性理論への影響を調査する。

提案手法

• 乗法的誤差推定のための単一の量子重なり積分に、Ryserの公式を変換し、加法的誤差推定のためのそのような積分の多項式和に変換する。
• 時間順序付き指数的時間発展演算子とユニタリ演算子を用いて、permanentを量子振幅として表現し、量子計算を可能にする。
• Trotter-Suzuki分解を適用して時間発展演算子を近似し、ハミルトニアンノルムから導かれる誤差境界を導出する。
• 有効ハミルトニアンのノルムに基づく収束条件を導入し、量子シミュレーションの安定性と正確性を保証する。
• 特に実数行列に対しては対称性と実部推定を活用して、必要な量子重なり積分の数を削減する。
• 高温近似と有限差分近似を用いて誤差境界を確立し、特定のパrameter条件の下で総誤差が指数的に小さくなることを示す。

実験結果

リサーチクエスチョン

• RQ1 指数的に小さい誤差を伴う量子アルゴリズムは、古典的サンプリング手法を上回る効率で行列式のpermanentを推定できるか？
• RQ2 提示されたpermanent推定のための量子プロトコルは、古典的計算に対して量子優位性を示すか？
• RQ3 行列式のpermanentと量子イジングハミルトニアンの実時間分割関数との関係は何か？
• RQ4 量子アルゴリズムは、permanentの推定をサブ指数的または多項式時間で行えるか？ これにより、未解決の複雑性問題が解消されるか？
• RQ5 量子アルゴリズムが指数的に小さい加法的誤差を達成する条件は何か？ また、Gurvitsの古典的アルゴリズムと比較してどのように異なるか？

主な発見

• 量子アルゴリズムは、形式 $ \epsilon_{\text{Tot}} \leq \epsilon_{\text{C}} \left( \frac{4e}{N\Delta t} \right)^N $ の指数的に小さい加法的誤差境界を達成する。条件 $ \frac{4e}{N} < \Delta t \leq \frac{4}{\|\mathcal{H}(A)\|} $ を満たすと、誤差は指数的に小さくなる。
• ガウス行列に対しては、このアルゴリズムの加法的誤差境界から、$ \epsilon \sqrt{N!} $ の精度を達成することは、多項式階層を第3レベルに収縮させることを意味し、#P困難性を示唆する。
• 複素行列に対しては、$ \mathcal{O}(N^3) $ の量子重なり積分が必要であり、これは多項式コストである。対称性により、実部評価の回数は半分に削減される。
• 収束条件 $ \|\mathcal{H}(A)\|\Delta t / 4 \leq 1 $ は安定性を保証し、厳密な誤差境界の導出を可能にする。
• 本手法は、行列式のpermanentと量子イジングハミルトニアンの実時間分割関数との間の直接的な計算複雑性の関連を確立する。
• このアルゴリズムは、BQP vs. PH 問題を解消する可能性を提供する。なぜなら、効率的なpermanent推定が可能ならば、$ \text{BQP} = \text{P}^{\#\text{P}} $ が成立することを示唆するからである。これは驚くべきが、妥当な結果である。