[論文レビュー] Robust quantum minimum finding with an application to hypothesis selection

Yihui Quek, Clément L. Canonne+1 more|arXiv (Cornell University)|Mar 26, 2020

Quantum Computing Algorithms and Architecture参考文献 20被引用数 5

ひとこと要約

この論文は、比較器が距離α未満の要素を区別できないノイズのある状況でも、依然として2乗の量子高速化を維持するロバストな量子最小値探索アルゴリズムを提示する。このアルゴリズムは、Δが距離α内にある要素の最大数であるとき、クエリ複雑度 Õ(√(N(1+Δ))) を達成し、仮説選択に応用することで、古典的O(N²)の実行時間をsublinear Õ(√(N(1+Δ)))に低減する。同じサンプル複雑度を維持する。

ABSTRACT

We consider the problem of finding the minimum element in a list of length $N$ using a noisy comparator. The noise is modelled as follows: given two elements to compare, if the values of the elements differ by at least $α$ by some metric defined on the elements, then the comparison will be made correctly; if the values of the elements are closer than $α$, the outcome of the comparison is not subject to any guarantees. We demonstrate a quantum algorithm for noisy quantum minimum-finding that preserves the quadratic speedup of the noiseless case: our algorithm runs in time $ ilde O(\sqrt{N (1+Δ)})$, where $Δ$ is an upper-bound on the number of elements within the interval $α$, and outputs a good approximation of the true minimum with high probability. Our noisy comparator model is motivated by the problem of hypothesis selection, where given a set of $N$ known candidate probability distributions and samples from an unknown target distribution, one seeks to output some candidate distribution $O(\varepsilon)$-close to the unknown target. Much work on the classical front has been devoted to speeding up the run time of classical hypothesis selection from $O(N^2)$ to $O(N)$, in part by using statistical primitives such as the Scheffé test. Assuming a quantum oracle generalization of the classical data access and applying our noisy quantum minimum-finding algorithm, we take this run time into the sublinear regime. The final expected run time is $ ilde O( \sqrt{N(1+Δ)})$, with the same $O(\log N)$ sample complexity from the unknown distribution as the classical algorithm. We expect robust quantum minimum-finding to be a useful building block for algorithms in situations where the comparator (which may be another quantum or classical algorithm) is resolution-limited or subject to some uncertainty.

研究の動機と目的

• 距離α未満の要素を区別できないノイズのある比較器に耐性を持つ量子最小値探索アルゴリズムの開発。
• このようなノイズが存在する状況でも、2乗の量子高速化（Õ(√N)）を維持すること。
• ロバストな最小値探索アルゴリズムを仮説選択に応用し、古典的O(N²)の実行時刻をsublinear Õ(√(N(1+Δ)))に低減すること。同じO(log N)のサンプル複雑度を維持する。
• 分布学習における統計的素性（例：Scheffé検定）から生じるノイズのある比較をモデル化・分析すること。

提案手法

• 要素間の差がαを超える場合にのみ正しい比較結果が得られ、それ以外は任意の結果が得られるノイズ比較器モデルを導入する。
• DürrとHøyerの量子最小値探索アルゴリズムを、修正された振幅増幅フレームワークを用いて、このノイズ比較器モデルに適応する。
• 2段階のアプローチを採用：まず候補要素の量子探索により最小値の良い近似を得る。次に、しきい値Y_outを用いたノイズ比較器を用いた精錬段階。
• 比較の不確実性を考慮したロバストな量子振幅増幅を採用し、ノイズのある比較に対しても成功確率を保証する。
• 候補分布と未知のターゲット分布間のℓ₁距離比較を、ノイズ比較器モデルにマッピングすることで、仮説選択にアルゴリズムを応用する。
• Scheffé検定を量子オракルとして用い、ℓ₁距離を推定する。誤差バウンドは集中不等式とユニオンバウンドにより制御する。

実験結果

リサーチクエスチョン

• RQ1 比較器がノイズを含み、距離α未満の要素を区別できない状況下でも、量子最小値探索が2乗の高速化を維持できるか？
• RQ2 このノイズ比較器モデル下での量子最小値探索の最適クエリ複雑度は何か？
• RQ3 ロバストな量子最小値探索アルゴリズムをどのように仮説選択に応用し、sublinear実行時間を達成できるか？
• RQ4 ノイズ耐性（Δを介して）とクエリ複雑度のトレードオフは何か？
• RQ5 ロバストな量子最小値探索アルゴリズムを用いて、古典的O(N²)の複雑度を持つ仮説選択のsublinear時間代替を提供できるか？

主な発見

• ロバストな量子最小値探索アルゴリズムは、ノイズのある比較下でも、クエリ複雑度 Õ(√(N(1+Δ))) を達成し、古典的手法に対する2乗の高速化を維持する。
• 距離α内にある要素数がΔで有界であるという仮定の下で、アルゴリズムは真の最小値の2-近似を高確率で出力する。
• 仮説選択に応用した場合、期待実行時間は古典的O(N²)から Õ(√(N(1+Δ))) に低減され、同じO(log N)のサンプル複雑度を維持する。
• 最終出力の仮説は、‖p̂−q‖₁ ≤ 9 minₚ∈ℙ_δ ‖p−q‖₁ + 4√(10 log( binom(N,2)/δ )/k) を満たし、サンプル数kを増やすことで最適解に限りなく近づけることができる。
• ユニオンバウンドをすべてのペアワイズ比較に適用し、Scheffé検定とロバストな量子最小値探索サブルーチンの両方の成功確率を1−δ/2に保つことで、高確率（1−δ）での成功を維持する。
• このフレームワークは一般性があり、計測誤差、人為的バイアス、統計的フラクチュエーションを含む状況（例：実験心理学、スポーツトーナメントなど）に適用可能である。