[論文レビュー] Reconsider HHL algorithm and its related quantum machine learning algorithms

Changpeng Shao|arXiv (Cornell University)|Mar 5, 2018

Quantum Computing Algorithms and Architecture被引用数 11

ひとこと要約

この論文は、HHL量子アルゴリズムおよび関連する量子機械学習（QML）手法を再評価し、効率性、正確性、実用性に深刻な影響を与える以前に見過ごされていた課題を特定している。主な問題は2つである：固有値圧縮パラメータ $ t $ に対する感受性が誤差を増幅させ、複雑性を増加させること、および古典的解復元におけるノルム依存誤差伝播が、線形回帰、分類、サポートベクターマシンなどのQMLアプリケーションにおける予想される量子高速化を損なう点である。

ABSTRACT

HHL quantum algorithm to solve linear systems is one of the most important subroutines in many quantum machine learning algorithms. In this work, we present and analyze several other caveats in HHL algorithm, which have been ignored in the past. Their influences on the efficiency, accuracy and practicability of HHL algorithm and several related quantum machine learning algorithms will be discussed. We also found that these caveats affect HHL algorithm much deeper than the already noticed caveats. In order to obtain more practical quantum machine learning algorithms with less assumptions based on HHL algorithm, we should pay more attention to these caveats.

研究の動機と目的

• HHL量子アルゴリズムに見過ごされていた技術的制約を特定・分析し、その実用性と効率性に与える影響を明らかにすること。
• 特に圧縮パラメータ $ t $ の選択とノルム依存誤差増幅という課題が、HHLおよび関連QMLアルゴリズムの性能に与える影響を検討すること。
• 線形回帰、教師あり分類、最小二乗サポートベクターマシンなどの主要なQMLアプリケーションにおける量子高速化の実用的妥当性を評価すること。
• HHLの量子状態出力 $ |\tilde{x}\rangle $ が直接的に効率的な古典的解復元を可能にするという仮定に反論し、誤差が $ \|x\| $ に比例することを示すこと。
• これらの隠れた制約を解消することが、仮定に依存しない堅牢なQMLアルゴリズムを開発する上で不可欠であると主張すること。

提案手法

• 圧縮パラメータ $ t $ が量子位相推定に果たす役割を分析し、$ \lambda t \in [0, 2\pi) $ を満たす必要があるが、誤差増幅を避けるために $ t $ の選択を慎重に行う必要があることを示す。
• 量子位相推定による $ \lambda $ の推定誤差が $ t $ に比例して増大することを示し、アルゴリズムの複雑性が増加し、正確性が低下することを明らかにする。
• ノルム増幅効果を導入：$ |\tilde{x}\rangle $ の誤差は古典的解 $ x $ において $ \|x\| \cdot \epsilon $ に増幅され、解のノルムに敏感になることを示す。
• この分析を、線形回帰（Schuldら）、分類（Lloyd ら）、最小二乗SVM（Rebentrost ら）を含むQMLアルゴリズムに適用し、同様の課題が広がることを示す。
• SVMにおけるハミルトニアンシミュレーションのトレース推定問題を検討し、効率的なトレース推定がNP完全問題をGroverのアルゴリズムより速く解くことを意味し、既知の複雑性境界に反することを証明する。
• 低ランク行列の場合、圧縮パラメータ $ t $ を容易に最適化できないこと、特に $ t = 1/M $ の場合に固有値分解能が著しく低下することを主張する。

実験結果

リサーチクエスチョン

• RQ1 量子位相推定における圧縮パラメータ $ t $ の選択が、HHLアルゴリズムの正確性と複雑性にどのように影響するか？
• RQ2 解ベクトルのノルム $ \|x\| $ が、量子状態 $ |\tilde{x}\rangle $ からの古典的解復元における誤差をどの程度増幅させるか？
• RQ3 なぜ量子アルゴリズムにおいて大きな行列のトレースを効率的に推定することは不可能なのか？ そしてこれはハミルトニアンシミュレーションにおけるQMLにどのような影響を与えるか？
• RQ4 HHLにおける課題、特に $ t $ の選択とノルム増幅が、量子機械学習アプリケーションにおける主張される量子高速化を根底から損なう可能性があるか？
• RQ5 これらの隠れた制約をどのように解消すれば、HHLに基づくQMLアルゴリズムが実用的かつ実現可能になるのか？

主な発見

• HHLにおける圧縮パラメータ $ t $ の選択は、推定誤差を $ t $ 倍に増幅させ、アルゴリズムの複雑性を増加させ、正確性を低下させる。特に $ \lambda t $ が $ [0, 2\pi) $ に圧縮されなければならない場合に顕著である。
• 量子状態 $ |\tilde{x}\rangle $ の誤差は、古典的解復元においてノルム $ \|x\| $ に比例して増幅され、$ x $ の誤差は $ \|x\| \cdot \epsilon $ となる。これは $ \epsilon $ が小さくても、$ \|x\| $ が大きいと大きな誤差を生じる。
• 一般に、量子アルゴリズムで行列のトレース $ \text{Tr}(K) $ を効率的に推定することは不可能であり、それは未構造化探索問題をGroverのアルゴリズムより速く解くことを意味し、既知の量子複雑性境界に反する。
• 最小二乗SVMでは、$ \text{Tr}(K)/M $ を誤差 $ \epsilon $ で推定すると、$ \text{Tr}(K) $ の誤差は $ M\epsilon $ にまで増大し、$ \widetilde{O}(M/\epsilon) $ 時間を要する。これは潜在的な高速化を相殺する。
• 低ランク行列の場合、ハミルトニアンシミュレーションに $ t = 1/M $ を選ぶと固有値分解能が著しく低下し、問題が固有ベクトルにのみ依存する場合を除き、アルゴリズムは効果を発揮しない。
• これらの課題は、従来認識されていたよりも根本的かつ深刻であり、アルゴリズム設計段階で対処されない限り、HHLおよびそのQML拡張の実用性は根本的に制限される。