[논문 리뷰] An optimal quantum algorithm to approximate the mean and its application for approximating the median of a set of points over an arbitrary distance

Gilles Brassard, Frédéric Dupuis외 2명|arXiv (Cornell University)|2011. 06. 21.

Quantum Computing Algorithms and Architecture참고 문헌 9인용 수 30

한 줄 요약

이 논문은 애너메이션 추정을 사용하여 블랙박스 함수의 평균을 근사하는 점점 최적의 양자 알고리즘을 제시한다. 이 알고리즘은 O(1/t)의 오차 한계를 달성하며, O(t√N log N)의 쿼리 수를 사용한다. 이 알고리즘을 응용하여 임의의 거리 함수에 따라 점들의 집합에서 중앙값을 근사하는 양자 알고리즘을 개발하였으며, 고전적 O(N²) 복잡도를 O(t√N log N)의 평가로 감소시켰다. 성공 확률은 최소 2/3이다.

ABSTRACT

We describe two quantum algorithms to approximate the mean value of a black-box function. The first algorithm is novel and asymptotically optimal while the second is a variation on an earlier algorithm due to Aharonov. Both algorithms have their own strengths and caveats and may be relevant in different contexts. We then propose a new algorithm for approximating the median of a set of points over an arbitrary distance function.

연구 동기 및 목표

• 기존의 하한과 상한 사이의 간극을 메우기 위해, 블랙박스 함수의 평균 근사에 대해 점점 최적의 알고리즘을 설계하는 것.
• 임의의 블랙박스 함수로 주어진 거리에 기반해 점들의 집합에서 중앙값을 근사하는 양자 알고리즘을 개발하는 것.
• 애너메이션 추정과 최소값 탐색 기법을 조합하여 고전적 방법 대비 제곱근 속도 향상을 달성하는 것.
• 중앙값 근사 맥락에서 두 가지 다른 양자 평균 근사 알고리즘 간의 성능 트레이드오��� 분석하는 것.

제안 방법

• 쿼리 수 t 이후 오차가 O(1/t) 이하로 제한되는, 애너메이션 추정을 이용한 점점 최적의 평균 근사 알고리즘인 mean1을 제안한다.
• 아하로노프의 알고리즘 변형인 mean2를 도입하며, 특정 맥락에서는 더 나은 성능를 보일 수 있지만 오차 한계는 덜 정밀하다.
• 모든 점에 대해 동시에 높은 확률로 정확한 근사를 확보하기 위해, 다수결 알고리즘(정리 2.5)을 사용해 평균 추정치의 신뢰도를 향상시킨다.
• 듀르와 호이어의 양자 최소값 탐색 알고리즘을 사용해 평균 거리가 가장 작은 점을 식별한다.
• 평균 근사(또한 mean1 또는 mean2를 통해 수행)와 최소값 탐색을 조합하여 중앙값을 양자 중첩 상태에서 계산한 후 결과를 측정한다.
• 각 점에서 다른 모든 점으로의 거리 함수의 평균을 추정하기 위해 애너메이션 추정을 사용한 후, 이러한 평균 중 최소값을 찾는다.

실험 결과

연구 질문

• RQ1 블랙박스 함수의 평균 근사에 대해 양자 알고리즘이 점점 최적성을 달성할 수 있는가?
• RQ2 실제로 mean1과 mean2의 오차와 쿼리 복잡도는 어떻게 비교되며, 각각 어떤 맥락에서 더 우수한 성능를 보이는가?
• RQ3 평균 근사에 대한 양자 가속 효과를 활용해 임의의 거리 함수 하에서 중앙값 계산에 대해 제곱근 이하의 복잡도를 갖는 양자 알고리즘을 달성할 수 있는가?
• RQ4 데이터 분포와 거리 구조는 중앙값 탐색 알고리즘의 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 mean1 알고리즘은 O(1/t)의 오차 한계를 달성하며, O(t√N log N)의 쿼리 수를 사용하여 평균 근사의 기존 하한과 상한 사이의 간극을 메운다.
• mean1을 사용한 중앙값 탐색 알고리즘은 거리 오рак루의 O(t√N log N) 평가를 요구하며, 성공 확률이 최소 2/3일 때 |dj − dmin| ∈ O(1/t)를 만족하는 점 j를 출력한다.
• mean2를 사용할 경우 오차 한계는 O(∑i=1ℓ √mi · 2−i)가 되며, 알고리즘은 t에 독립적으로 O(N log N)의 평가만을 요구한다.
• 중앙값 알고리즘의 성공 확률은 최소 2/3이며, 최소값 탐색의 3/4 성공 확률과 다수결 강화 단계를 조합하여 유도된다.
• 일반적인 경우, 임의의 거리 함수를 갖는 중앙값 계산에 대해 고전적 O(N²) 복잡도 대비 제곱근 속도 향상을 달성한다.
• 중앙값 알고리즘의 성능는 평균 근사 서브루틴의 동작에 따라 달라지며, 이는 데이터 분포와 거리 구조에 따라 영향을 받는다.