[논문 리뷰] Quantum Algorithms for Classical Probability Distributions

Aleksandrs Belovs|arXiv (Cornell University)|2019. 01. 01.

Quantum Computing Algorithms and Architecture참고 문헌 34인용 수 4

한 줄 요약

이 논문은 고전적 확률 분포에 접근하기 위한 네 가지 양자 모델을 제안하고 비교하며, 두 분포를 구별하는 데 필요한 양자 쿼리 복잡도가 Θ(1/dH(p,q))임을 증명한다. 이는 고전적 방법 대비 제곱근의 속도 향상이다. 주요 결과는 적대자 방법과 γ2-노름 최적화를 통해 역헬링거 거리의 엄밀한 특성화를 이룩한 것이다.

ABSTRACT

We study quantum algorithms working on classical probability distributions. We formulate four different models for accessing a classical probability distribution on a quantum computer, which are derived from previous work on the topic, and study their mutual relationships. Additionally, we prove that quantum query complexity of distinguishing two probability distributions is given by their inverse Hellinger distance, which gives a quadratic improvement over classical query complexity for any pair of distributions. The results are obtained by using the adversary method for state-generating input oracles and for distinguishing probability distributions on input strings.

연구 동기 및 목표

• 양자 알고리즘이 고전적 확률 분포에 접근하는 데 사용할 수 있는 네 가지 다른 모델을 체계화하고 비교하는 것.
• 두 고전적 확률 분포를 구별하는 데 필요한 양자 쿼리 복잡도를 조사하는 것.
• 모든 모델에서 헬링거 거리에 따라 이 복잡도의 엄밀한 특성화를 수립하는 것.
• γ2-노름과 적대자 방법을 활용한 분포 구별을 위한 효율적인 양자 알고리즘을 개발하는 것.
• 제안된 방법을 앰플리튜드 증폭 및 거부 샘플링과 같은 표준 기법들과 비교하는 것.

제안 방법

• 접근 방식을 네 가지로 체계화: (i) 입력 문자열 내 빈도, (ii) ∑√pa|a⟩ 형태의 양자 상태 준비, (iii) 보조 상태와의 텐서 곱, (iv) 구조화된 보조 큐비트를 사용한 (iii)의 개선된 형태.
• 적대자 경계의 이중 형식을 활용하여 γ2-노름 최적화를 통해 쿼리 복잡도의 상한을 유도한다.
• 가중치가 부여된 확률 진폭의 중첩과 벡터 항등식을 사용하여 γ2-노름을 헬링거 거리로 bound하는 구성.
• 입력 문자열에서 분포를 구별하는 데 적합한 일반화된 원시 적대자 경계를 사용하여 하한을 증명한다.
• µp와 µq의 평면에서의 회전 및 스케일링으로 구성된 행렬 G를 정의하여 ∥G ◦ ∆∥를 최소화하고, 이를 헬링거 거리와 연결한다.
• 제안된 방법을 앰플리튜드 증폭 및 거부 샘플링과 비교하여, 쿼리 복잡도에서 약간의 향상을 보임을 보여준다.

실험 결과

연구 질문

• RQ1 네 가지 고전적 확률 분포 접근 모델 간의 계산 능력은 어떻게 상호 관련되어 있는가?
• RQ2 두 고전적 확률 분포를 구별하는 데 필요한 정확한 양자 쿼리 복잡도는 무엇인가?
• RQ3 γ2-노름을 사용하여 분포 구별을 위한 쿼리 복잡도의 엄밀한 특성화를 도출할 수 있는가?
• RQ4 제안된 양자 알고리즘은 앰플리튜드 증폭이나 거부 샘플링과 같은 표준 접근 방식보다 더 효율적인가?
• RQ5 모델 (i)과 (iv)는 추측한 바와 같이 동일한가?

주요 결과

• 두 확률 분포 p와 q를 구별하는 데 필요한 양자 쿼리 복잡도는 Θ(1/dH(p,q))이며, 여기서 dH(p,q)는 헬링거 거리이다.
• 이것은 고전적 알고리즘 대비 제곱근의 속도 향상이며, 고전적 방법은 Θ(1/dH(p,q)²)의 샘플이 필요하다.
• 상한은 γ2-노름 최적화를 통해 도출되었으며, 복잡도 O(1/dH(p,q))를 달성하는 구성이 존재한다. 이 구성에서 가중치는 ca = (√pa − √qa)/(√pa + √qa)로 설정된다.
• 하한은 일반화된 적대자 경계를 사용하여 증명되었으며, 모든 양자 알고리즘이 적어도 Ω(1/∥G ◦ ∆∥)의 쿼리를 수행해야 하며, ∥G ◦ ∆∥ = O(dH(p,q))임을 보였다.
• p와 q가 효율적으로 처리 가능한 경우 제안된 알고리즘은 효율적으로 구현 가능하며, 표준 거부 샘플링 및 앰플리튜드 증폭 기법보다 뛰어난 성능을 보인다.
• 논문은 모델 (i), (ii), (iv)가 동일할 것이라 추측하고 있으나, 이는 아직 미해결이다.