[논문 리뷰] A practical heuristic for finding graph minors

Jun Liang Cai, William G. Macready외 1명|arXiv (Cornell University)|2014. 06. 10.

Quantum Computing Algorithms and Architecture참고 문헌 15인용 수 233

한 줄 요약

이 논문은 D-Wave의 카이머아 하드웨어 그래프에 논리적 문제 그래프를 효율적으로 통합하기 위해 다중원천 A* 탐색과 Dijkstra 기반 초기화를 활용하여 희박한 그래프(수백 개 정점)에서 그래프 미니처를 찾는 실용적인 휴리스틱 알고리즘을 제시한다. 이 방법은 실제 최적화 맵핑에서 높은 성공률을 달성하며, 대규모 인스턴스로도 확장 가능하며, 실패한 경우에도 유용한 부분 분해를 제공한다.

ABSTRACT

We present a heuristic algorithm for finding a graph $H$ as a minor of a graph $G$ that is practical for sparse $G$ and $H$ with hundreds of vertices. We also explain the practical importance of finding graph minors in mapping quadratic pseudo-boolean optimization problems onto an adiabatic quantum annealer.

연구 동기 및 목표

• 호스트 그래프 G와 타겟 그래프 H가 모두 입력으로 주어질 때, 특히 대규모 희박 그래프에서 그래프 미니처를 찾는 실용적인 휴리스틱을 개발하는 것.
• 이론적 알고리즘에서 금기되는 상수를 피하기 위해 양자 앤날링에서 NP-난이도의 미니처 매핑 문제를 스케일러블하고 정확하지 않은 해법으로 해결하는 것.
• 이차 이진 최적화 문제를 D-Wave의 등온 양자 앤날링 하드웨어에 매핑하기 위해, 각각 최대 500개 및 200개 정점의 그래프에 대해 미니처 매핑을 가능하게 하는 것.
• 완전한 미니처 매핑에 실패하더라도 유용한 구조를 제공하기 위해, G-분해를 설계하는 것 — 여기서 각 논리적 정점은 G 내의 연결된 부분그래프에 매핑된다.

제안 방법

• 호스트 그래프 G 내의 정점-모델 배치를 위한 탐색을 유도하기 위해 휴리스틱 거리로 다중원천 A* 탐색 알고리즘을 사용한다.
• 초기 정점-모델 배치를 위한 기초로 다익스트라 알고리즘을 활용하며, 이후 A*를 통해 더 나은 겹침 최소화를 위한 개선을 수행한다.
• 모든 미도달 원천까지의 최소 추정 거리를 유지하고 업데이트하기 위해 우선순위 큐를 구현하여 효율적인 노드 선택을 가능하게 한다.
• 미니처 매핑에 실패한 경우의 후속 구조로 G-분해를 정의하며, 여기서 각 논리적 정점은 G 내의 연결된 부분그래프에 매핑된다.
• 특히 어려운 문제에 대해 성공률을 향상시키기 위해, 각 인스턴스당 여러 번 로컬 버전의 알고리즘을 반복 실행한다.
• 간선 가중치가 부여된 최단 경로와 휴리스틱 함수를 사용해 거리를 추정하며, 정점-모델 겹침을 줄이기 위해 최대 경로 길이를 최소화한다.

실험 결과

연구 질문

• RQ1 G와 H가 모두 입력으로 주어질 때, 대규모 희박 그래프에서 휴리스틱 알고리즘이 높은 성공률로 그래프 미니처를 찾을 수 있는가?
• RQ2 다중원천 A*의 성능이 다익스트라 기반 초기화와 비교해 미니처 매핑 작업에서 성공률과 실행 시간 측면에서 어떻게 다른가?
• RQ3 휴리스틱의 로컬 반복을 반복할 경우, 어려운 문제 인스턴스에서 성공률 향상에 얼마나 기여하는가?
• RQ4 완전한 미니처 매핑에 실패했을 경우, 부분 해법(G-분해)이 하류의 솔버에 의해 유용하게 활용될 수 있는가?

주요 결과

• 휴리스틱 알고리즘은 G에 최대 500개 정점, H에 최대 200개 정점의 그래프를 성공적으로 매핑하여 이론적 한계를 초월한 실용적 적용 가능성을 입증한다.
• 다중원천 A* 접근법은 다익스트라 기반 초기화보다 약간 낮은 성공률을 보이며 빠른 속도를 달성한다. 이는 악성 경우의 겹침에 집중하기 때문이다.
• 각 인스턴스당 로컬 알고리즘을 다섯 번 반복함으로써 글로벌 버전과 유사한 실행 시간을 확보하면서도 어려운 문제에 대해 성공률을 향상시킨다.
• 평균적으로, H의 크기가 커질수록 미니처 매핑의 수가 지수적으로 증가하므로, 큰 해공간에서의 휴리스틱 탐색의 타당성을 뒷받침한다.
• 실패한 경우에도 알고리즘은 G-분해를 생성하며, 이는 트리-분해의 일반화된 구조로, 이징 모델 솔버에 의해 활용될 수 있다.
• 비구성적이고 확률적인 성격에도 불구하고, 휴리스틱 특성과 효율적인 데이터 구조 덕분에 이 알고리즘은 알려진 정확한 방법보다 실질적으로 뛰어난 성능을 보인다.