[논문 리뷰] Quantum Computer as a Probabilistic Inference Engine

Robert R. Tucci|ArXiv.org|2000. 04. 06.

Quantum Computing Algorithms and Architecture참고 문헌 5인용 수 5

한 줄 요약

이 논문은 베이지안 네트워크에서 일반적인 확률 분포를 추정하기 위해 표준 양자 계산 방법을 일반화하는 새로운 양자 알고리즘 클래스를 제안한다. 프레드킨-토플리 구조를 가역적인 고전적 회로에서 확률적 네트워크로 확장함으로써, 양자 컴퓨터가 양자 베이지안 네트워크를 통해 고전적 베이지안 네트워크의 조건부 확률을 계산할 수 있도록 하며, 희귀 확률을 증폭하기 위해 그로버 알고리즘과 조합할 경우 잠재적인 속도 향상을 제공한다.

ABSTRACT

We propose a new class of quantum computing algorithms which generalize many standard ones. The goal of our algorithms is to estimate probability distributions. Such estimates are useful in, for example, applications of Decision Theory and Artificial Intelligence, where inferences are made based on uncertain knowledge. The class of algorithms that we propose is based on a construction method that generalizes a Fredkin-Toffoli (F-T) construction method used in the field of classical reversible computing. F-T showed how, given any binary deterministic circuit, one can construct another binary deterministic circuit which does the same calculations in a reversible manner. We show how, given any classical stochastic network (classical Bayesian net), one can construct a quantum network (quantum Bayesian net). By running this quantum Bayesian net on a quantum computer, one can calculate any conditional probability that one would be interested in calculating for the original classical Bayesian net. Thus, we generalize the F-T construction method so that it can be applied to any classical stochastic circuit, not just binary deterministic ones. We also show that, in certain situations, our class of algorithms can be combined with Grover's algorithm to great advantage.

연구 동기 및 목표

• 표준 알고리즘을 결정론적 확률 분포가 아닌 임의의 확률 분포를 추정할 수 있도록 일반화하는 양자 계산 프레임워크를 개발하는 것.
• 고전적 가역 회로 설계 방법인 프레드킨-토플리 방법을 고전적 확률적 네트워크(베이지안 네트워크)로 확장하여, 확률적 추론의 양자 시뮬레이션을 가능하게 하는 것.
• 양자 베이지안 네트워크(QB 네트워크)를 단위 연산 회로로 구성함으로써, 고전적 베이지안 네트워크의 조건부 확률을 양자 컴퓨터가 계산할 수 있도록 하는 것.
• 이러한 양자 추론 알고리즘을 그로버 알고리즘과 통합하여 작은 확률, 즉 직접 측정하기 어려운 확률을 증폭할 수 있는지 탐색하는 것.
• 양자 컴파일러가 양자 베이지안 네트워크를 기본 양자 연산의 시퀀스(SEO)로 변환할 수 있도록 기초를 마련하는 것.

제안 방법

• 논문은 프레드킨-토플리 방법을 일반화하여, 임의의 고전적 베이지안 네트워크(CB 네트워크)를 양자 베이지안 네트워크(QB 네트워크)로 변환하는 양자 임bedding(q-embedding)을 구성함으로써, 원래의 조건부 확률 분포를 유지한다.
• CB 네트워크의 각 확률적 노드에 대해, 조건부 확률 분포를 q-embedding하는 단위 행렬을 구성하며, 노이즈가 있는 이진 게이트의 경우 D-행렬과 목표 상태 투영을 위한 수치 연산자를 사용한다.
• 조건부 확률은 제어 회전과 위상 연산을 통해 단위 연산으로 표현되며, 주요 구성 요소로는 $ \Pi_{\text{targ}} $가 포함되며, 이는 목표 상태에 대한 투영 연산자들의 합을 나타낸다.
• QB 네트워크는 양자 컴파일러를 사용하여 기본 양자 연산(SEO)의 시퀀스로 컴iles되어 실제 양자 하드웨어에서 실행 가능하게 한다.
• 희귀 확률 추정을 위해, 논문은 '그로버의 현미경'을 도입한다 — 이는 그로버 스타일의 확산을 사용하여 작은 확률을 증폭하는 수정된 QB 네트워크로, 직접 시뮬레이션에 실패할 경우 측정 가능성을 높인다.
• 기본 기호 표기법으로는 $ \theta(\mathcal{S}) $, $ \delta(x,y) $, $ \oplus $, $ bin(x) $를 사용하며, 양자 상태의 색인을 위해 이진 문자열을 정수로 매핑하는 $ dec(\vec{x}) $를 정의한다.

실험 결과

연구 질문

• RQ1 가역적인 고전적 회로 설계를 위한 프레드킨-토플리 구조를 확률적(확률적) 고전적 회로로 일반화할 수 있는가?
• RQ2 양자 컴퓨터는 고전적 베이지안 네트워크에서 임의의 조건부 확률을 어떻게 추정할 수 있는가?
• RQ3 고전적 베이지안 네트워크의 조건부 확률 분포를 q-임bedding하는 단위 연산 양자 회로의 구조는 무엇인가?
• RQ4 그로버 알고리즘은 양자 추론 프레임워크와 통합되어 작은, 측정하기 어려운 확률을 증폭시킬 수 있는가?
• RQ5 양자 컴파일러는 양자 베이지안 네트워크를 실제 실행을 위해 기본 양자 연산의 시퀀스로 어떻게 변환할 수 있는가?

주요 결과

• 논문은 프레드킨-토플리 구조를 확률적 회로로 일반화하여, 어떤 고전적 베이지안 네트워크도 시뮬레이션할 수 있는 양자 베이지안 네트워크(QB 네트워크)를 성공적으로 구축한다.
• 고전적 베이지안 네트워크의 조건부 확률은 $ U_{OR-like} $ 및 $ U_{multi-targ} $와 같은 단위 행렬로 q-임bedding되며, 이는 양자 컴퓨터에서 실행 가능하다.
• 이 방법은 결정론적 분포 외에도 일반적인 확률 분포를 추정할 수 있어, 불확실한 지식을 가진 의사결정 이론 및 인공지능 응용 분야에 적합하다.
• 희귀 확률의 경우 '그로버의 현미경' 구조가 수정된 QB 네트워크를 사용하여 확률을 증폭함으로써, 직접 시뮬레이션에 실패하는 경우에도 측정이 가능하게 한다.
• 노이즈가 있는 게이트(예: 노이즈가 있는 OR, AND, CNOT)의 q-임bedding은 D-행렬을 통해 달성되며, 알려진 컴파일 기법을 사용하여 기본 양자 연산의 시퀀스로 분해 가능하다.
• 이 프레임워크는 임의의 고전적 확률적 네트워크를 단위 연산 양자 회로로 매핑하는 체계적인 방법을 제공하며, 확률 행렬의 명시적 표현인 $ P(y|\vec{x}) = \sum_{\vec{t}} \delta(y,f(\vec{t})) \prod_{\alpha} P(t^{\alpha}|x^{\alpha}) $를 포함한다.