[논문 리뷰] Quantum Fast-Forwarding: Markov Chains and Graph Property Testing

Simon Apers, Alain Scarlet|arXiv (Cornell University)|2018. 04. 06.

Quantum Computing Algorithms and Architecture참고 문헌 58인용 수 10

한 줄 요약

이 논문은 양자 워크와 함께 가역 마르코프 체인의 일시적 동역학을 정량적으로 가속화하는 데 사용할 수 있는 양자 알고리즘인 양자 빠른 포워딩(QFF)을 소개한다. 선형 유니타리 조합과 절단된 체비셰프 전개를 활용하여, QFF는 $ D^t \ket{v} $에 $ \epsilon $-근접한 상태를 준비하며, 이에 필요한 예상되는 양자 워크 단계 수는 $ O(\|D^t\ket{v}\|^{-1} \sqrt{t \log(\epsilon \|D^t\ket{v}\|)^{-1}}) $이다. 이는 그래프 성질 테스팅과 $s$-$t$ 연결성 문제에서의 가속을 가능하게 한다.

ABSTRACT

We introduce a new tool for quantum algorithms called quantum fast-forwarding (QFF). The tool uses quantum walks as a means to quadratically fast-forward a reversible Markov chain. More specifically, with $P$ the Markov chain transition matrix and $D = \\sqrt{P\\circ P^T}$ its discriminant matrix ($D=P$ if $P$ is symmetric), we construct a quantum walk algorithm that for any quantum state $|v\ angle$ and integer $t$ returns a quantum state $\\epsilon$-close to the state $D^t|v\ angle/\\|D^t|v\ angle\\|$. The algorithm uses $O\\Big(\\|D^t|v\ angle\\|^{-1}\\sqrt{t\\log(\\epsilon\\|D^t|v\ angle\\|)^{-1}}\\Big)$ expected quantum walk steps and $O(\\|D^t|v\ angle\\|^{-1})$ expected reflections around $|v\ angle$. This shows that quantum walks can accelerate the transient dynamics of Markov chains, complementing the line of results that proves the acceleration of their limit behavior. We show that this tool leads to speedups on random walk algorithms in a very natural way. Specifically we consider random walk algorithms for testing the graph expansion and clusterability, and show that we can quadratically improve the dependency of the classical property testers on the random walk runtime. Moreover, our quantum algorithm exponentially improves the space complexity of the classical tester to logarithmic. As a subroutine of independent interest, we use QFF for determining whether a given pair of nodes lies in the same cluster or in separate clusters. This solves a robust version of $s$-$t$ connectivity, relevant in a learning context for classifying objects among a set of examples. The different algorithms crucially rely on the quantum speedup of the transient behavior of random walks.

연구 동기 및 목표

• 기존의 극한 행동에만 집중하는 방법들에서 벗어나, 가역 마르코프 체인의 일시적 행동을 가속화할 수 있는 새로운 양자 알고리즘 도구를 개발하는 것.
• 특히 확장성과 클러스터러빌리티에 대해, 그래프 성질 테스팅에 사용되는 고전적 랜덤 워크 기반 알고리즘에 양자 가속을 제공하는 것.
• 노이즈 또는 근사 조건 하에서도 두 노드가 같은 클러스터에 속해 있는지를 판단할 수 있는 강건한 $s$-$t$ 연결성 문제 해결을 위한 강력한 양자 솔루션을 제공하는 것.
• 양자 워크 동역학을 활용하여 고전적 성질 테스터의 공간 복잡도를 다항식에서 로그 단위로 감소시키는 것.

제안 방법

• 양자 빠른 포워딩(QFF)은 전이 행렬 $ P $를 가진 가역 마르코프 체인의 분산 행렬 $ D = \sqrt{P \circ P^T} $와 관련된 양자 워크 연산자를 사용한다.
• QFF는 양자 워크 해밀토니안에 선형 유니타리 조합(LCU) 기법을 적용하여 $ D^t $의 스펙트럼 역학을 시뮬레이션한다.
• D의 고유값 함수의 절단된 체비셰프 전개를 사용하여 $ D^t \ket{v} $를 제어 가능한 오차로 근사한다.
• 알고리즘은 $ O(\|D^t\ket{v}\|^{-1} \sqrt{t \log(\epsilon \|D^t\ket{v}\|)^{-1}}) $의 예상되는 양자 워크 단계를 사용하여, $ \ket{D^t v} = D^t \ket{v} / \|D^t \ket{v}\| $에 $ \epsilon $-근접한 양자 상태를 준비한다.
• 이 방법은 초기 상태 $ \ket{v} $를 중심으로 $ O(\|D^t\ket{v}\|^{-1}) $의 예상 반사 수를 요구하며, 국소성과 효율성을 유지한다.
• 이 방법은 랜덤 워크 분포에서 유사성 그래프를 구성하고, 양자 스케치에서 브루트 포스로 연결 성분을 확인하는 방식으로 그래프 성질 테스팅에 적용된다.

실험 결과

연구 질문

• RQ1 양자 워크는 가역 마르코프 체인의 일시적 동역학, 즉 극한 행동 이외의 행동을 가속화하는 데 사용될 수 있는가?
• RQ2 QFF는 그래프 성질 테스팅에 사용되는 고전적 랜덤 워크 알고리즘의 런타임 의존성에 대해 $ t $에 대해 이중적인 가속을 제공할 수 있는가?
• RQ3 QFF는 고전적 그래프 성질 테스터의 공간 복잡도를 입력 크기의 다항식에서 로그 단위로 감소시킬 수 있는가?
• RQ4 QFF는 노이즈 또는 근사 조건 하에서도 두 노드가 같은 클러스터에 속해 있는지를 판단할 수 있는 강건한 $ s $-$ t $ 연결성 문제를 해결하는 데 사용될 수 있는가?
• RQ5 마르코프 체인의 전체 스펙트럼 동역학을 활용하여 그래프 클러스터링 및 스파arsification 문제에서 양자 가속을 달성할 수 있는가?

주요 결과

• QFF는 $ t $에 대한 시간 의존성에서 이중적인 가속을 달성하며, $ \epsilon $-근접한 $ \ket{D^t v} $ 상태를 준비하기 위해 $ O(\|D^t\ket{v}\|^{-1} \sqrt{t \log(\epsilon \|D^t\ket{v}\|)^{-1}}) $의 예상되는 양자 워크 단계가 필요하다.
• 알고리즘은 $ \|D^t\ket{v}\|^{-1} $의 예상 반사를 $ \ket{v} $를 중심으로 사용하며, 자원 오버헤드를 낮게 유지한다.
• 확장성 및 클러스터러빌리티 테스팅의 경우, QFF는 양자 워크 단계 수를 $ \widetilde{O}(N^{1/2}k^7\Phi_{\mathrm{in}}^{-2}\epsilon^{-5}) $에서 $ \widetilde{O}(N^{1/2}k^7\Phi_{\mathrm{in}}^{-1}\epsilon^{-4}) $로 감소시켜 $ \Phi_{\mathrm{in}} $에 대한 의존성 개선을 이룬다.
• 양자 알고리즘은 고전적 테스터의 공간 복잡도를 다항식에서 로그 단위로 지속적으로 개선하여 매우 공간 효율적인 성능을 발휘한다.
• QFF는 랜덤 워크 분포가 근사적으로 유사한 경우에도 두 노드가 같은 클러스터에 속해 있는지를 판단할 수 있는 강건한 $ s $-$ t $ 연결성 테스트를 가능하게 한다.
• 자기 선형 사슬 $ \mathbb{Z} $에서의 랜덤 워크에 대한 하한 증명을 통해, QFF는 $ t $와 $ \epsilon $에 대한 의존성에서 최적임을 입증하였다.