[논문 리뷰] A super-polynomial quantum-classical separation for density modelling

Niklas Pirnay, Ryan Sweke외 2명|arXiv (Cornell University)|2022. 10. 26.

Quantum Computing Algorithms and Architecture인용 수 6

한 줄 요약

이 논문은 약한 허위난수함수(weak PRFs)를 사용하여 고전적으로 학습하기 어려운 분포 클래스를 구성함으로써, 밀도 모델링에서 초월다항식 양자 우월성을 엄밀히 입증한다. 이는 기존의 강력한 PRF에 의존하지 않고도 고전적 학습의 어려움을 증명할 수 있도록 하며, 수정된 양자 생성자-학습기 구조를 통해 효율적인 양자 평가가 가능하게 한다. 이 결과는 표준 암호학적 가정 하에 평가자 학습에서 최초로 엄밀한 양자-고전적 분리 결과를 보여준다.

ABSTRACT

Density modelling is the task of learning an unknown probability density function from samples, and is one of the central problems of unsupervised machine learning. In this work, we show that there exists a density modelling problem for which fault-tolerant quantum computers can offer a super-polynomial advantage over classical learning algorithms, given standard cryptographic assumptions. Along the way, we provide a variety of additional results and insights, of potential interest for proving future distribution learning separations between quantum and classical learning algorithms. Specifically, we (a) provide an overview of the relationships between hardness results in supervised learning and distribution learning, and (b) show that any weak pseudo-random function can be used to construct a classically hard density modelling problem. The latter result opens up the possibility of proving quantum-classical separations for density modelling based on weaker assumptions than those necessary for pseudo-random functions.

연구 동기 및 목표

• 생성 모델링이 아닌 밀도 모델링에 대한 양자 우월성 연구의 격차를 메우기 위해 분리 결과를 입증하는 것.
• 약한 허위난수함수(PRFs)가 고전적으로 어려운 밀도 모델링 문제를 구성하는 데 충분함을 보여주어 강력한 암호학적 가정에 대한 의존도를 줄이는 것.
• 더 약한 경계 조건 하에 미래의 양자-고전적 분리 결과를 입증하기 위한 프레임워크를 제공하는 것.
• 이전에 고전적 생성자 학습에 대해 어려움이 증명된 분포 클래스에 대해, 양자 알고리즘이 평가자(밀도 함수)를 효율적으로 학습할 수 있음을 보여주는 것.
• 노이즈가 있는 양자 알고리즘이 깨지기 쉬운 가정을 식별함으로써, 근접한 장치에서의 양자 우월성 가능성을 탐색하는 것.

제안 방법

• 약한 PRF를 활용하여 고전적으로 평가자 학습하기 어려운 분포 클래스를 구성함으로써, 이전의 전력적 PRF 기반 결과를 일반화하는 것.
• Sweke 등(2021)의 양자 생성자-학습기를 수정하여 샘플이 아닌 확률 가중치를 출력하도록 아키텍처를 조정함으로써, 양자 평가자-학습기로 전환하는 것.
• 결정적 디피-헬먼(Diffie-Hellman, DDH) 가정을 사용하여 구성된 분포 클래스에 대한 고전적 평가자 학습의 어려움을 입증하는 것.
• 밀도 함수의 정확한 평가를 가능하게 하기 위해, 비밀 키 복구를 위한 결정적 이산 로그 서브루틴을 양자 알고리즘에 통합하는 것.
• 알려진 파rameter를 활용하여 양자 키 학습 알고리즘을 조합함으로써, 오차 없이 정확한 학습(ε=0, δ=0)을 보장하는 완전하고 효율적인 양자 평가자-학습기를 구축하는 것.
• 비밀 키와 공개 매개변수가 밀도 함수를 완전히 특정하므로, 양자 복구를 통한 평가자 복원이 가능하다는 사실에 기반하는 것.

실험 결과

연구 질문

• RQ1 밀도 모델링에 대해 초월다항식 양자-고전적 우월성이 엄밀히 입증될 수 있는가? (생성 모델링이 아닌 경우에도.)
• RQ2 표준 PRF보다 약한 가정을 필요로 하는 약한 PRF가 평가자 학습에서 고전적 어려움을 입증하는 데 사용될 수 있는가?
• RQ3 증명 가능한 효율성을 갖춘 고장내성 양자 알고리즘을 사용해 밀도 모델링에서 양자 우월성을 달성할 수 있는가?
• RQ4 근접한 장치에서 작동하는 양자 알고리즘이 깨지기 쉬운 가정 하에 평가자 학습의 고전적 어려움을 입증할 수 있는가?
• RQ5 고장내성 시스템이 아닌 노이즈가 있는 NISQ 시대 하드웨어에서 작동하는 양자 알고리즘을 사용해 양자-고전적 분리를 입증할 수 있는가?

주요 결과

• 결정적 디피-헬먼(DDH) 가정 하에 밀도 모델링에서 초월다항식 양자-고전적 분리가 확립되었다.
• 모든 약한 PRF를 사용해 고전적으로 어려운 밀도 모델링 문제를 구성할 수 있으며, 이는 고전적 어려움을 입증하기 위해 필요한 암호학적 가정의 강도를 크게 낮춘다.
• 수정된 Sweke 등(2021)의 양자 생성자-학습기 기반으로, 양자 평가자-학습기는 정확한 학습을 수행하며 오차 없이 작동한다(ε=0, δ=0).
• 양자 알고리즘은 결정적 이산 로그 서브루틴을 사용해 샘플에서 비밀 키를 복구함으로써 밀도 함수의 완전한 재구성 가능성을 확보한다.
• 고전적 평가자 학습의 어려움은 샘플에서 비밀 키를 학습하는 것이 약한 PRF를 깨는 것과 동치이므로, 이는 약한 PRF가 어려운 것으로 가정되기 때문이다.
• 결과적으로, LPN 기반 약한 PRF와 같이 근접한 장치에서 작동하는 양자 알고리즘에 의해 깨질 수 있는 가정을 바탕으로 한 분포 학습에서의 양자 우월성 입증의 길이 열렸다.