[論文レビュー] Quantum Search in an Ordered List via Adaptive Learning

Michael Ben-Or, Avinatan Hassidim|arXiv (Cornell University)|Mar 24, 2007

Machine Learning and Algorithms参考文献 15被引用数 12

ひとこと要約

本稿では、ノイズのある比較を伴う最適なバイナリサーチのためのベイジアン学習ベースのアルゴリズムを提示する。このアルゴリズムは、$\Theta(\log n / I(p))$ の近似的に最適なクエリ複雑度を達成し、$O(\log \log n)$ の加法的オーバーヘッドを有する。この手法は並列クエリモデルへ拡張可能であり、ノイズのある探索をサブルーチンとして活用することで、期待される複雑度が $(\log_2 n)/3$ よりも小さい量子探索アルゴリズムを実現する。これは、先行研究の量子境界を改善するものである。

ABSTRACT

We use a Bayesian approach to optimally solve problems in noisy binary search. We deal with two variants: 1. Each comparison can be erroneous with some probability $1 - p$. 2. At each stage $k$ comparisons can be performed in parallel and a noisy answer is returned We present a (classic) algorithm which optimally solves both variants together, up to an additive term of O(\log \log(n)), and prove matching information theoretic lower bounds. We use the algorithm to improve the results of Farhi et al \cite{FGGS99} presenting a quantum (error free) search algorithm in an ordered list of expected complexity less than (\log_2n) / 3.

研究の動機と目的

• 各比較が確率 $p$ で正しい結果を返すノイズのあるバイナリサーチの最適な古典的アルゴリズムを開発すること。
• $k$ つの比較を並列に実行するバッチクエリを扱えるようにアルゴリズムを拡張すること。
• 最適なノイズあり探索フレームワークを活用し、順序付きリストにおける量子探索アルゴリズムの効率を向上させること。
• 古典的および量子的ノイズあり探索におけるタイトな情報理論的下界を確立すること。

提案手法

• ターゲット要素の位置に関する事後確率を維持するためのベイジアンラーナーを用い、各ノイズのある比較後に更新する。
• 各ステップで、探索空間を、ターゲットを含む確率が等しくなるように分割し、中央値の要素をクエリすることで情報量を最大化する。
• 相互情報量 $I(p)$ を用いた情報理論的解析により、期待クエリ複雑度をバウンドする。
• 各ラウンドに $k$ 個の並列クエリを許容するように、ベイジアンアプローチをバッチモデルに一般化する。
• 期待されるクエリ複雑度を低減するために、最適な古典的ノイズあり探索をサブルーチンとして量子アルゴリズムに組み込む。
• ノイズによる状態の崩壊を考慮するために、[HNS02] の技術を適応し、ノイズオラクルモデルを用いて量子下界を導出する。

実験結果

リサーチクエスチョン

• RQ1 独立したノイズのある比較において、ベイジアンアプローチがノイズありバイナリサーチの最適クエリ複雑度を達成できるか？
• RQ2 複数のクエリを並列に許容する場合、ノイズありバイナリサーチの性能はどのようにスケーリングするか？
• RQ3 最適なノイズあり探索を用いて、順序付きリストに対するより効率的な量子探索アルゴリズムを構築できるか？
• RQ4 量子ノイズあり探索に必要なクエリ数のタイトな下界は何か？
• RQ5 古典的および量子的設定において、情報理論的利得はノイズパラメータ $p$ とどのように関係するか？

主な発見

• 提案されたベイジアンアルゴリズムは、期待クエリ複雑度 $\frac{\log n}{I(p)} + O\left(\frac{\log \log n}{I(p)}\right)$ を達成し、$O(\log \log n)$ 項を除いて情報理論的下界と一致する。
• このアルゴリズムは、独立したノイズのある比較および並列バッチクエリの両方において最適であり、同じ漸近的複雑度を有する。
• この手法により、期待クエリ複雑度が $\frac{\log_2 n}{3}$ よりも小さい量子探索アルゴリズムが実現可能である。
• 量子下界として、$\Omega(\log n / I(p))$ の新たな下界が確立され、$\delta \leq (k-1)/k$ の高確率の誤差に対しても有効である。これは、先行研究の下界が $\delta < 1/2$ に制限されていたのとは対照的である。
• 量子アルゴリズムにおける1クエリあたりの情報利得は $\pi / \ln 2$ ビットでバウンドされ、成功確率 $1-\delta$ の下界として $t \geq \frac{\ln 2}{\pi}((1-\delta)\log k) - O(\delta)$ が得られる。