[논문 리뷰] A Quantum Algorithm for finding the Maximum

Ashish Ahuja, Sanjiv Kapoor|ArXiv.org|1999. 11. 18.

Quantum Computing Algorithms and Architecture참고 문헌 4인용 수 42

한 줄 요약

이 논문은 N개의 서로 다른 항목으로 이루어진 정렬되지 않은 배열에서 최댓값을 찾는 데에 Grover의 검색 알고리즘을 사용하여 O(√N) 쿼리로 수행하는 양자 알고리즘을 제시한다. 반복적으로 추측을 개선하는 양자 확률 진폭 강화를 통해, 알고리즘은 6.8√N 쿼리의 날카운 상한을 달성하여 이전의 상한을 향상시키며, Dürr와 Høyer의 최소값 찾기 알고리즘의 복잡도와 일치시킨다.

ABSTRACT

This paper describes a quantum algorithm for finding the maximum among N items. The classical method for the same problem takes O(N) steps because we need to compare two numbers in one step. This algorithm takes O(sqrt(N)) steps by exploiting the property of quantum states to exist in a superposition of states and hence performing an operation on a number of elements in one go. A tight upper bound of 6.8(sqrt(N)) for the number of steps needed using this algorithm was found. These steps are the number of queries made to the oracle.

연구 동기 및 목표

• 정렬되지 않은 N개의 서로 다른 항목을 포함하는 배열에서 최댓값을 효율적으로 찾는 양자 알고리즘을 개발하는 것.
• 양자 중첩과 확률 진폭 강화를 활용하여 고전적 O(N) 비교 기반 방법을 능가하는 것.
• 양자 기법을 사용하여 최댓값 찾기의 쿼리 수에 대한 날카운 분석적 상한을 제공하는 것.
• 양자 접근 방식이 고전적 알고리즘에 비해 최댓값 찾기 문제에서 제곱근의 속도 향상을 달성할 수 있음을 보여주는 것.

제안 방법

• 최댓값 원소의 인덱스에 대한 무작위 초깃값으로 알고리즘이 시작된다.
• 현재 추측보다 큰 원소를 찾기 위해 Grover의 검색 알고리즘을 사용하며, 현재 추측보다 큰 원소는 '마킹된' 상태로 간주된다.
• 오ракูล 함수 f_y(x)는 T[x] > T[y일 때 인덱스 x를 마킹한다. 여기서 y는 현재 추측이다.
• 각 Grover 반복 후 측정 결과로 현재 추측이 더 큰 값의 인덱스로 업데이트된다.
• 각 반복이 끝날 때마다 마킹되지 않은 후보 수가 감소하므로, 총 O(√N)번 반복된다.
• 기대 반복 수를 모델링하기 위해 재귀 관계를 유도하며, 적분 근사와 渐近 분석을 통해 날카운 상한을 도출한다.

실험 결과

연구 질문

• RQ1 양자 컴퓨팅이 정렬되지 않은 배열에서 최댓값을 찾는 문제에 대해 제곱근의 속도 향상을 제공할 수 있는가?
• RQ2 양자 확률 진폭 강화를 사용하여 최댓값을 찾기 위해 필요한 쿼리 수에 대해 가장 날카운 가능한 상한은 무엇인가?
• RQ3 반복적 양자 최댓값 찾기 접근 방식은 쿼리 복잡도 측면에서 고전적 비교 기반 방법과 어떻게 비교되는가?
• RQ4 재귀 관계와 적분 근사 기법을 사용하여 기대 반복 수를 분석적으로 유계로 둘 수 있는가?

주요 결과

• 알고리즘은 O(√N)의 쿼리 복잡도를 달성하여 고전적 O(N) 방법에 비해 제곱근의 속도 향상을 나타낸다.
• 최댓값을 찾기 위해 필요한 반복 수에 대해 6.8√N의 날카운 상한이 확립된다.
• 이 상한은 기대 반복 수에 대한 재귀 관계와 적분 근사를 통해 유도되었으며, 이전의 상한 15√N을 향상시켰다.
• 알고리즘이 Dürr와 Høyer의 최소값 찾기 알고리즘과 동일함을 보여주어, 그 구조적 최적성을 확인한다.
• 알고리즘을 k번 반복하면 실패 확률가 1/k 이하로 감소하며, 추가로 O(log N) 요소를 고려하여 고확률 상한을 확보할 수 있다.