[논문 리뷰] A Survey of Quantum Alternatives to Randomized Algorithms: Monte Carlo Integration and Beyond

Philip Intallura, Georgios Korpas외 5명|arXiv (Cornell University)|2023. 03. 08.

Quantum Computing Algorithms and Architecture인용 수 8

한 줄 요약

이 설문조사는 양자 접근법이 고전 몬테카를로를 대체하거나 보강하는 방법을 분석하며, 진폭 추정과 샘플링 기반 불확실성 정량화를 가속하는 변형에 초점을 맞춥니다.

ABSTRACT

Monte Carlo sampling is a powerful toolbox of algorithmic techniques widely used for a number of applications wherein some noisy quantity, or summary statistic thereof, is sought to be estimated. In this paper, we survey the literature for implementing Monte Carlo procedures using quantum circuits, focusing on the potential to obtain a quantum advantage in the computational speed of these procedures. We revisit the quantum algorithms that could replace classical Monte Carlo and then consider both the existing quantum algorithms and the potential quantum realizations that include adaptive enhancements as alternatives to the classical procedure.

연구 동기 및 목표

• 계산 금융 및 불확실성 정량화와 같은 응용 분야에서 더 빠른 몬테카를로 방법의 필요성을 동기 부여한다.
• 고전 몬테카를로 절차를 대체하거나 보강할 수 있는 기존 및 새로 등장하는 양자 알고리즘을 조사한다.
• 적응적이고 하드웨어 의식적인 양자 몬테카를로 기법의 변형을 평가한다.
• 고전적 혼합 시간과 양자 가속 약속을 비교하는 프레임워크를 제공한다.
• 근접 시기에 사용 가능한 기기에서 이러한 양자 접근법을 구현할 때의 실용적 고려사항을 강조한다.

제안 방법

• 양자 진폭 추정(QAE)을 검토하고, O(1/ε) 질의 복잡도 달성을 통해 몬테카를로 샘플링을 대체하는 역할을 설명한다.
• 양자 진폭 증폭이 그로버 알고리즘을 일반화하여 적분과 기댓값을 추정하는 방법을 설명한다.
• 부울화된 함수 값의 평균을 추정하는 수단으로 양자 근사 개수를 제시한다.
• 유계 분산을 가진 일반 몬테카를로 설정에서 근사 제곱근 속도 향상을 위한 Montanaro 알고리즘을 논의한다.
• 회로 깊이를 줄이는 실용적 변형(MLE-QAE, Iterative QAE, robust amplitude estimation)과 QPE/QAE의 병렬화 전략을 요약한다.

실험 결과

연구 질문

• RQ1 현실적인 가정 하에서 양자 알고리즘이 몬테카를로 적분에 대해 제곱근 속도향상 또는 근사 제곱근 속도향상을 제공할 수 있는가?
• RQ2 오류 내성과(NISQ) 양자 장치 간의 트레이드오프는 몬테카를로 양자화에서 깊이, 큐비트 수, 잡음 견고성에 어떤 영향을 미치는가?
• RQ3 적응적 및 변형 스킴(MLE-QAE, IQAE, RAE)이 NISQ 장치에서 정확도, 깊이, 실용성 측면에서 어떻게 비교되는가?
• RQ4 파생상품 가격 결정 및 위험 평가와 같은 응용에 대한 양자 강화 혼합 시간의 영향은 무엇인가?
• RQ5 QPE/QAE의 병렬화가 게이트 깊이를 줄이면서 정확도를 유지하거나 향상시키는 방법은 무엇인가?

주요 결과

• 양자 진폭 추정은 특정 가정하에 고전 몬테카를로에 비해 제곱 속도향상을 달성할 수 있다.
• 여러 변형(MLE-QAE, Iterative QAE, RAE)은 회로 깊이와 하드웨어 요구사항을 줄여 NISQ 활용성을 돕는다.
• Montanaro의 프레임워크는 분산이 유계된 광범위한 무작위 양자 알고리즘에 양자 가속을 확장한다.
• 병렬화된 QPE/QAE 전략은 게이트 깊이를 낮추고 탈코히런스에 대한 강건성을 향상시켜 근시일 내 장치에서 더 깊은 활용을 가능하게 한다.
• 본 설문은 양자 우위가 맥락에 따라 달라지며 모든 몬테카를로 작업에 보편적으로 보장되지 않는다는 점을 강조한다.