[論文レビュー] The Learning Stabilizers with Noise Problem

Alexander Poremba, Yihui Quek+1 more|arXiv (Cornell University)|Oct 24, 2024

Advanced Control Systems Design被引用数 1

ひとこと要約

本稿では、局所的デポラライジングノイズ下でのランダムな安定化子符号のデコードとして定義される、古典的学習パリティノイズ（LPN）問題の量子版に相当する学習安定化子ノイズ（LSN）問題を導入する。本稿では、さまざまなノイズ領域におけるLSNの多項式時間および指数時間の量子アルゴリズムを提示し、LSNがLPNを特別な場合として含むことを証明し、最悪ケースから平均ケースへの還元を確立し、新たなユニタリ合成複雑性クラスに属することを示している。主な貢献は、LSNが量子暗号や量子データからの学習の応用において、安全で計算的に困難な仮定として位置づけられることである。

ABSTRACT

Random classical codes have good error correcting properties, and yet they are notoriously hard to decode in practice. Despite many decades of extensive study, the fastest known algorithms still run in exponential time. The Learning Parity with Noise (LPN) problem, which can be seen as the task of decoding a random linear code in the presence of noise, has thus emerged as a prominent hardness assumption with numerous applications in both cryptography and learning theory. Is there a natural quantum analog of the LPN problem? In this work, we introduce the Learning Stabilizers with Noise (LSN) problem, the task of decoding a random stabilizer code in the presence of local depolarizing noise. We give both polynomial-time and exponential-time quantum algorithms for solving LSN in various depolarizing noise regimes, ranging from extremely low noise, to low constant noise rates, and even higher noise rates up to a threshold. Next, we provide concrete evidence that LSN is hard. First, we show that LSN includes LPN as a special case, which suggests that it is at least as hard as its classical counterpart. Second, we prove worst-case to average-case reductions for variants of LSN. We then ask: what is the computational complexity of solving LSN? Because the task features quantum inputs, its complexity cannot be characterized by traditional complexity classes. Instead, we show that the LSN problem lies in a recently introduced (distributional and oracle) unitary synthesis class. Finally, we identify several applications of our LSN assumption, ranging from the construction of quantum bit commitment schemes to the computational limitations of learning from quantum data.

研究の動機と目的

• 量子暗号および学習理論における応用を目的として、古典的LPN問題の自然な量子アナログを定義すること。
• 低〜中程度のノイズ領域にわたるLSNを解くための効率的な量子アルゴリズムを開発すること。
• LSNの計算的困難性を示すために、LPNがLSNの特別な場合であることを証明し、最悪ケースから平均ケースへの還元を確立すること。
• 新たに導入されたユニタリ合成複雑性クラスを用いてLSNの複雑性を特徴付けること。
• LSN仮定を用いて、量子ビットコミットメントや量子データからの学習といった実用的応用を示すこと。

提案手法

• 局所的デポラライジングノイズ下でのランダムな安定化子符号のデコードとしてLSN問題を定義し、量子回路とノイズチャネルを用いて形式化する。
• ノイズ率に応じた単一ショットおよびマルチショットの量子デコードアルゴリズムを設計し、指数時間および多項式時間の変種を含む。
• 古典的LPN入力を量子安定化子状態に埋め込むことで、LPNがLSNの特別な場合であることを証明する。
• 秘密、符号、誤り分布を再ランダム化することで、最悪ケースから平均ケースへの還元を確立し、困難性を保持する。
• LSNが最近定義された分布的およびオракル付きユニタリ合成複雑性クラスに属することを示し、計算的困難さの形式的複雑性特徴付けを提供する。
• LSN仮定に基づく量子ビットコミットメント方式を構築し、その統計的隠蔽性と計算的結合性を証明する。

実験結果

リサーチクエスチョン

• RQ1 ノイズ下でのランダムな量子符号のデコードの困難さを捉える自然なLPN問題の量子アナログは存在するか？
• RQ2 極めて低いノイズからしきい値に近い範囲のノイズ率にわたるLSNを解くための効率的量子アルゴリズムを設計できるか？
• RQ3 LSN問題はLPNの困難性を引き継ぎ、その変種について最悪ケースから平均ケースへの還元を確立できるか？
• RQ4 量子入力とユニタリ出力構造を持つLSNの計算複雑性は何か？
• RQ5 LSN仮定を用いて、たとえばビットコミットメント方式のような安全な量子暗号プリミティブを構築できるか？

主な発見

• LSN問題が古典的LPN問題を特別な場合として含むことが示され、LSNはLPN以上に困難であることが示唆される。
• 極めて低いノイズ領域および低定数ノイズ率におけるLSNの多項式時間量子アルゴリズムが開発された。
• マルチショットデコードアルゴリズムが構築され、ノイズしきい値まで成功するが、成功確率はノイズ率の指数的減少で抑えられる。
• LSNの変種について最悪ケースから平均ケースへの還元が証明され、分布的仮定のもとでの強固な困難性が確立された。
• LSN問題が新たに定義されたユニタリ合成複雑性クラスに属することを形式的に示し、その計算的困難さの複雑性理論的特徴付けが得られた。
• LSN仮定に基づく、統計的隠蔽性と計算的結合性を有する量子ビットコミットメント方式が構築され、その安全性はLSNを多項式時間で解く困難性に依存する。