[論文レビュー] Quantum Topological Data Analysis with Linear Depth and Exponential Speedup

Shashanka Ubaru, Ismail Yunus Akhalwaya+3 more|arXiv (Cornell University)|Aug 5, 2021

Topological and Geometric Data Analysis参考文献 55被引用数 15

ひとこと要約

この論文は、トポロジカル・データ解析のための新しい量子アルゴリズムを提示しており、指数的高速化を達成しながら回路深さを線形に保つため、近い将来のノイジィで中規模の量子（NISQ）デバイスでも実装可能である。Grover探索と量子位相推定の代わりに、効率的なパウリ分解、量子リジェクションサンプリング、および確率的チェビシェフ推定を用いることで、密な単体複体におけるベッチ数推定において実用的な量子優位性を実現する。

ABSTRACT

Quantum computing offers the potential of exponential speedups for certain classical computations. Over the last decade, many quantum machine learning (QML) algorithms have been proposed as candidates for such exponential improvements. However, two issues unravel the hope of exponential speedup for some of these QML algorithms: the data-loading problem and, more recently, the stunning dequantization results of Tang et al. A third issue, namely the fault-tolerance requirements of most QML algorithms, has further hindered their practical realization. The quantum topological data analysis (QTDA) algorithm of Lloyd, Garnerone and Zanardi was one of the first QML algorithms that convincingly offered an expected exponential speedup. From the outset, it did not suffer from the data-loading problem. A recent result has also shown that the generalized problem solved by this algorithm is likely classically intractable, and would therefore be immune to any dequantization efforts. However, the QTDA algorithm of Lloyd et~al. has a time complexity of $O(n^4/(ε^2 δ))$ (where $n$ is the number of data points, $ε$ is the error tolerance, and $δ$ is the smallest nonzero eigenvalue of the restricted Laplacian) and requires fault-tolerant quantum computing, which has not yet been achieved. In this paper, we completely overhaul the QTDA algorithm to achieve an improved exponential speedup and depth complexity of $O(n\log(1/(δε)))$. Our approach includes three key innovations: (a) an efficient realization of the combinatorial Laplacian as a sum of Pauli operators; (b) a quantum rejection sampling approach to restrict the superposition to the simplices in the complex; and (c) a stochastic rank estimation method to estimate the Betti numbers. We present a theoretical error analysis, and the circuit and computational time and depth complexities for Betti number estimation.

研究の動機と目的

• 従来の量子トポロジカル・データ解析（QTDA）アルゴリズムの耐故障性および高深さの制限を克服すること。
• データロードや位相推定に依存せずに、ベッチ数推定において指数的高速化を達成すること。
• 近い将来の量子ハードウェア（NISQデバイス）で実装可能であり、O(n log(1/(δε)))の回路深さを有する手法を開発すること。
• 量子位相推定を確率的ランク推定に置き換える理論的根拠があり、誤差解析が施されたアプローチを提供すること。
• 実際の量子コンピュータにアルゴリズムを実装することで、実用的妥当性を実証すること。

提案手法

• 組合せラプラシアンをパウリ演算子の和に効率的に分解することで、低深さの量子回路実装を可能にする。
• 従来の研究で用いられたGrover探索に代わり、特定の順序の単体に制限された重ね合わせ状態を実現するために、量子リジェクションサンプリングと射影を用いる。
• リソース集約的な量子位相推定手順に代えて、ランク推定に確率的チェビシェフ法を採用する。
• 単体状態とカウントレジスタをエンタングルさせるために、制御インクリメント技術を適用し、効率的な状態準備を実現する。
• スぺクトルギャップδが小さい場合にベッチ数を推定するためのしきい値ベースの近似スキームを導入し、ノイズの強い小さな固有値をフィルタリングする。
• 理論的誤差解析を実施し、ベッチ数の推定誤差がεの許容誤差内に収まるように制限する。

実験結果

リサーチクエスチョン

• RQ1 ベッチ数推定のための量子アルゴリズムは、線形深さの量子回路のみを要する条件下で指数的高速化を達成できるか？
• RQ2 QTDAにおいて、耐故障性量子計算や量子位相推定の必要性を排除することは可能か？
• RQ3 このアルゴリズムは現在のNISQデバイスで実装可能であり、近い将来の量子優位性を実現できるか？
• RQ4 スぺクトル特徴（例：ベッチ数）は、浅い量子回路のみを用いて高精度に推定可能か？
• RQ5 小さなスぺクトルギャップに対して、小さな固有値をフィルタリングすることで、ノイズや小さな固有値に対してアルゴリズムがロバストになるか？

主な発見

• 提案されたアルゴリズムは、O(n log(1/(δε)))の回路深さを達成しており、近い将来のNISQデバイスでの実装を可能にする。
• 特にスぺクトルギャップが大きな密な単体複体に対しては、広く受け入れられた仮定のもとで、古典的手法よりも指数的高速化を達成する。
• 確率的チェビシェフ法により、量子位相推定を必要とせず、正確なベッチ数推定が可能になり、リソースのオーバーヘッドが削減される。
• アルゴリズムは実際の量子コンピュータに成功裏に実装・実行され、理論的予測が裏付けられた。
• しきい値δ以上の固有値のみを推定することで、小さなスぺクトルギャップに対してもロバストであることが実証され、ノイズの強い小さな固有値が効果的にフィルタリングされる。
• この手法はQTDAにとどまらず、スペクトル密度推定、数値ランク近似、および量子機械学習における他の線形代数問題への応用も含め、より広範な適用可能性を有する。