[論文レビュー] Quantum Optimization

Tad Hogg, Dmitriy Portnov|ArXiv.org|Jun 20, 2000

Quantum Computing Algorithms and Architecture被引用数 23

ひとこと要約

本論文は、最小コストの事前知識が不要なコストに依存する位相調整と状態混合を用いて、低コスト状態へ振幅をシフトする、組合せ最適化のための量子ヒューリスティックアルゴリズムを提案する。シミュレーションでは、過剰制約付きSATおよび非対称TSPにおいて、低コスト解に振幅が集中することを示し、古典的ヒューリスティクスと同等の性能を示すが、問題サイズが小さい場合に限っては、古典的シミュレーションコストが指数関数的に増加する。

ABSTRACT

We present a quantum algorithm for combinatorial optimization using the cost structure of the search states. Its behavior is illustrated for overconstrained satisfiability and asymmetric traveling salesman problems. Simulations with randomly generated problem instances show each step of the algorithm shifts amplitude preferentially towards lower cost states, thereby concentrating amplitudes into low-cost states, on average. These results are compared with conventional heuristics for these problems.

研究の動機と目的

• 最適化問題における探索効率を、状態のコスト情報を利用することで向上させる量子アルゴリズムの開発。
• 最小コストが事前に未知である最適化問題へ、決定問題に限らない量子振幅増幅技術を拡張すること。
• 過剰制約付き充足可能性および非対称巡回セールスマン問題における、このヒューリスティック量子アプローチの性能評価。
• 解決品質および計算コストの観点から、古典的ヒューリスティクスと比較して、量子アルゴリズムの挙動と効率性を評価すること。
• 量子振幅混合が、コher-エンス制限および最適性の検証不能という制約のもとでも、最適化問題の構造を効果的に活用できるかの探求。

提案手法

• すべての2^nの構成に対して等しい振幅を用いて、すべての探索状態の均一な重ね合わせを初期化する。
• 状態コストをp_c^(h) = e^{iπρ_h c}で符号化する位相調整行列P^(h)と、ハミング距離に従って振幅を再分配する混合行列U^(h) = W T^(h) Wを組み合わせた反復的手順を適用する。
• 混合行列U^(h)は、状態rとsの間のハミング距離d(r,s)に依存し、U^(h)_{rs} = u_d^(h) = (-i tan(πτ_h/2))^d（位相および正規化を除く）として定義される。
• 位相パrameter ρ_hおよびτ_hは、問題クラス固有の定数であり、低コスト状態への振幅再分配の速度を制御する。
• 各試行では、j回のステップを経て測定を行い、状態が確率|ψ_s^(j)|²で得られる。複数回の試行を繰り返すことで、成功確率を向上させる。
• アルゴリズムはヒューリスティック的かつ不完全である：最適解が見つかるかどうかを保証せず、見つかったときの確認もできない。

実験結果

リサーチクエスチョン

• RQ1 最小コストの事前知識がなくても、最適化問題において量子振幅操作を効果的に低コスト状態への探索誘導に用いることができるか？
• RQ2 過剰制約付きSATおよびATSPにおいて、このコストベースの量子最適化アルゴリズムの性能は、GSAT や分枝限定法などの古典的ヒューリスティクスと比べてどの程度か？
• RQ3 特に探索状態の表現および混合操作において、このアルゴリズムが問題構造をどの程度活用しているか？
• RQ4 コher-エンス制限のもとで、この量子ヒューリスティックにおける計算コストと解決品質のトレードオフはどのようなものか？
• RQ5 問題の再符号化により、例えばTSPルートにおける共通エッジをよりよく反映することで、アルゴリズムの挙動を改善できるか？

主な発見

• 各反復において、平均的に低コスト領域に振幅が集中するように、アルゴリズムは効果的に低コスト状態へ振幅をシフトする。
• 過剰制約付きSATでは、古典的ヒューリスティクス（例：GSAT）と同等の性能を達成するが、古典的シミュレーションコストは問題サイズに従って指数関数的に増加する。
• 非対称TSPでは、ランダム選択より優れた性能を示し、都市間距離の標準偏差に依存しないことから、コスト分布に対して頑健であることが示された。
• 量子アルゴリズムの古典的シミュレーションコストは指数関数的に増加し、これにより大規模インスタンスの評価が困難である。これは、量子ハードウェアの必要性を強調する。
• アルゴリズムの性能は位相パrameterの選択および問題表現に敏感であり、非最適なパrameterや劣悪な符号化は効果を低下させる可能性がある。
• ヒューリスティック的であるものの、問題サイズに比例して線形に増加するコher-エンスステップ数にとどまるため、振幅増幅よりコher-エンス要件が低く抑えられる。