[論文レビュー] Rapid sampling through quantum computing

Lov K. Grover|ArXiv.org|Dec 1, 1999

Quantum Computing Algorithms and Architecture参考文献 10被引用数 24

ひとこと要約

この論文は、O(√N)ステップで任意の古典的確率分布に対応する量子重ね合わせを生成する量子アルゴリズムを提示している—これは古典的手法が要するO(N)ステップよりも著しく高速である。複数の解を扱えるように量子探索フレームワークを拡張することで、アルゴリズムはユニタリ変換と振幅増幅を用い、構成的干渉を通じて量子状態を目的の分布へ回転させる。

ABSTRACT

This paper extends the quantum search class of algorithms to the multiple solution case. It is shown that, like the basic search algorithm, these too can be represented as a rotation in an appropriately defined two dimensional vector space. This yields new applications - an algorithm is presented that can create an arbitrarily specified quantum superposition on a space of size N in O(sqrt(N)) steps. By making a measurement on this superposition, it is possible to obtain a sample according to an arbitrarily specified classical probability distribution in O(sqrt(N)) steps. A classical algorithm would need O(N) steps.

研究の動機と目的

• 与えられた古典的確率分布に対応する任意の量子重ね合わせを準備できる量子アルゴリズムの開発。
• 量子探索アルゴリズムを複数のターゲット状態を扱えるように拡張し、非一様分布からの効率的サンプリングを可能にすること。
• 量子計算がO(√N)ステップでサンプリングを達成できることを示すこと。これは古典的手法のO(N)ステップと比較して顕著な優位性を示す。
• 単一解探索を超えた任意のユニタリ変換と振幅制御を用いる量子アルゴリズムの一般枠組みの提供。

提案手法

• アルゴリズムは、N個の基底状態に対する初期の均一な重ね合わせを生成するためにウォルシュ＝ハダマード変換を用いる。
• 目的の確率に応じてターゲット状態をマークするため、関数f(x)を用いて選択的位相反転を適用する。この関数f(x)はターゲット分布を符号化する。
• コアとなる操作は、ユニタリ変換U1とU2を組み合わせ、振幅増幅を実行することで、状態を目的の重ね合わせへ回転させる。
• 2次元ヒルバート空間における干渉効果を活用し、標準的量子探索とは異なり複数の解を扱えるように一般化された形で、系をターゲット状態へ回転させる。
• 最適な収束を得るために、Grover演算子を繰り返し適用し、反復回数をNの平方根に調整する。
• 最終状態に対する測定により、システムは目的の確率分布に従うサンプルに崩壊し、O(√N)ステップで高い忠実度で実現される。

実験結果

リサーチクエスチョン

• RQ1 量子アルゴリズムは、古典的手法よりも効率的にN点における任意の確率分布を生成できるか？
• RQ2 振幅増幅は、非一様確率を持つ複数のターゲット状態を扱えるようにどのように適合できるか？
• RQ3 任意の古典的分布に一致する重ね合わせを準備するのに必要な最小の量子ステップ数は何か？
• RQ4 量子探索フレームワークは、単一解問題を超えて、任意のユニタリ進化と確率重み付けをサポートできるように一般化できるか？
• RQ5 干渉は、目的の重ね合わせ状態への高速収束をどのように可能にするか？

主な発見

• アルゴリズムは、任意の古典的確率分布に対応する量子重ね合わせをO(√N)ステップで準備でき、古典的手法のO(N)サンプリングに比べて2乗の加速を達成する。
• ターゲット分布を重み付き重ね合わせとして扱うことで、量子探索アルゴリズムが複数の解に一般化され、ステップ数は最大確率振幅の逆数の平方根に依存する。
• 初期状態を2次元部分空間内で一連のユニタリ操作によって回転させることで、標準的Grover探索に類似した形で目的の重ね合わせを達成する。
• ターゲット分布が一様である場合、アルゴリズムは標準的Grover探索に還元され、元のアルゴリズムと同一のステップ数を要する。
• 初期状態が計算基底状態に限らない任意の重ね合わせであっても、適切な基底における位相反転操作を再定義することで、フレームワークは依然として有効である。
• 適切に選ばれた実行時間で繰り返し実行することで、目的の状態を成功裏に準備する確率は指数関数的に増加し、高忠実度のサンプリングが保証される。