[論文レビュー] Sequential quantum mixing for slowly evolving sequences of Markov chains.

Vedran Dunjko, Hans J. Briegel|arXiv (Cornell University)|Mar 4, 2015

Quantum Computing Algorithms and Architecture参考文献 28被引用数 5

ひとこと要約

本稿では、ゆっくりと変化する時間可逆マルコフ連鎖の定常分布を逐次的に準備するための量子アルゴリズムを提示している。複雑度は $O(\sqrt{\delta^{-1}} \sqrt[4]{N})$ であり、古典的手法に比べて2乗の改善効果を達成している。出力状態が純粋な量子状態として符号化される状況では、最適な性能を達成できる。

ABSTRACT

In this work we consider the problem of preparation of the stationary distribution of irreducible, time-reversible Markov chains, which is a fundamental task in algorithmic Markov chain theory. For the classical setting, this task has a complexity lower bound of $\Omega(\delta^{-1})$, where $\delta$ is the spectral gap of the Markov chain, and other dependencies contribute only logarithmically. In the quantum case, the conjectured complexity is $O(\sqrt{\delta^{-1}})$, with other dependencies contributing only logarithmically. However, this bound has only been achieved for a few special classes of Markov chains. In this work, we provide a method for the sequential preparation of stationary distributions for sequences of time-reversible $N$-state Markov chains, akin to the setting of simulated annealing methods. The complexity of preparation we achieve is $O(\sqrt{\delta^{-1}} \sqrt[4]{N})$, neglecting logarithmic factors. While this result falls short of the conjectured optimal time, it provides a quadratic improvement over na\{i}ve approaches. Moreover, for the case when the output distributions are required to be encoded in pure quantum states we identify the settings where our algorithm is strictly optimal. The settings of slowly evolving sequences of Markov chains naturally appear in reinforcement learning, and consequently our results can be readily applied in quantum machine learning as well.

研究の動機と目的

• 量子的枠組みにおいて、ゆっくりと変化する時間可逆マルコフ連鎖の定常分布を効率的に準備する課題に対処すること。
• 一般のマルコフ連鎖に対して既知の達成可能な境界と、予想される量子的高速化 $O(\sqrt{\delta^{-1}})$ の間のギャップを埋めること。
• 強化学習や量子機械学習において自然に生じる、ゆっくりと変化する系列に適用可能な手法を提供すること。
• 出力分布が純粋な量子状態として符号化される場合に、提案されたアルゴリズムが厳密に最適性を達成する条件を同定すること。

提案手法

• アルゴリズムは、ゆっくりと変化する遷移行列を有する時間可逆マルコフ連鎖の系列を経て、量子状態を逐次的に変化させるための量子混合手法を用いる。
• 量子振幅増幅および位相推定技術を活用して、複雑度を低減させながら定常分布を準備する。
• ゆっくりと変化する連鎖の構造を活かして、コherenとエラーの蓄積を最小限に抑える。
• マルコフ連鎖の進化を、小さな管理可能な量子操作に再帰的に分解する。
• スペクトルギャップに依存するスケーリングを用いて、各連鎖あたりのステップ数を制御し、正確さとリソースコストのバランスを取る。
• 出力が純粋な量子状態として符号化された定常分布を生成するように設計されており、量子機械学習パイプラインへの直接的な利用を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ゆっくりと変化するマルコフ連鎖の定常分布を準備する際、量子アルゴリズムが $O(\delta^{-1})$ より低い複雑度を達成できるか。
• RQ2 一般の時間可逆連鎖に対して、予想される $O(\sqrt{\delta^{-1}})$ の量子的高速化は、実際にはどの程度達成可能か。
• RQ3 出力が純粋な量子状態である場合、どのような状況で提案手法が厳密に最適性を達成するか。
• RQ4 逐次的準備タスクにおいて、状態数 $N$ とスペクトルギャップ $\delta$ が複雑度にどのように依存するか。

主な発見

• 提案されたアルゴリズムは、ゆっくりと変化するマルコフ連鎖における定常分布の逐次的準備に対して、対数的要因を無視すると $O(\sqrt{\delta^{-1}} \sqrt[4]{N})$ の複雑度を達成する。
• これは、古典的手法が $\Omega(\delta^{-1})$ ステップを要するのに対し、2乗の改善効果を示している。
• 出力分布が純粋な量子状態として符号化される状況では、与えられた制約下で、この手法は厳密に最適性を達成する。
• このアルゴリズムは、強化学習や量子機械学習で一般的な、時間可逆マルコフ連鎖の系列に適用可能である。
• 複雑度の上限は、量子振幅増幅とゆっくりと変化する連鎖のスペクトル解析を組み合わせることで導出される。