[논문 리뷰] Quantum Optimization

Tad Hogg, Dmitriy Portnov|ArXiv.org|2000. 06. 20.

Quantum Computing Algorithms and Architecture인용 수 23

한 줄 요약

이 논문은 최소 비용에 대한 사전 지식 없이도 비용에 따라 단계를 조정하고 상태 혼합을 통해 낮은 비용 상태로 진폭을 이동시키는 양자 휴리스틱 알고리즘을 제안한다. 시뮬레이션 결과, 과잉 제약이 있는 SAT 및 비대칭 TSP 문제에서 낮은 비용 해답에 진폭이 집중되는 것으로 나타났으며, 문제 크기가 작은 경우 고전적 휴리스틱과 유사한 성능을 보였다. 다만 고전적 시뮬레이션 비용은 지수적으로 증가한다.

ABSTRACT

We present a quantum algorithm for combinatorial optimization using the cost structure of the search states. Its behavior is illustrated for overconstrained satisfiability and asymmetric traveling salesman problems. Simulations with randomly generated problem instances show each step of the algorithm shifts amplitude preferentially towards lower cost states, thereby concentrating amplitudes into low-cost states, on average. These results are compared with conventional heuristics for these problems.

연구 동기 및 목표

• 최적화 문제의 탐색 효율성을 상태 비용 정보를 활용하여 향상시키는 양자 알고리즘을 개발하기 위해.
• 최소 비용이 사전에 알려지지 않은 최적화 문제로 양자 진폭 증폭 기법을 결정 문제를 초월해 확장하기 위해.
• 과잉 제약이 있는 만족 가능성 문제와 비대칭 여행행렬 문제에 대해 이 휴리스틱 양자 접근법의 성능을 평가하기 위해.
• 해결 품질과 계산 비용 측면에서 고전적 휴리스틱과의 비교를 통해 양자 알고리즘의 행동 및 효율성을 분석하기 위해.
• 코herence 제약과 최적성 검증의 부재에도 불구하고, 양자 진폭 혼합이 문제의 구조를 효과적으로 활용할 수 있는지 탐색하기 위해.

제안 방법

• 모든 2^n 구성에 대해 동일한 진폭을 사용하여 모든 탐색 상태에 대해 균일한 양자 중첩을 초기화한다.
• 상태 비용을 p_c^(h) = e^{iπρ_h c}로 표현하는 단계 조정 행렬 P^(h)와 해밍 거리 기반으로 진폭을 재분배하는 혼합 행렬 U^(h) = W T^(h) W를 포함하는 반복 단계를 적용한다.
• 혼합 행렬 U^(h)는 상태 r과 s 사이의 해밍 거리 d(r,s)에 따라 결정되며, U^(h)_{rs} = u_d^(h) = (-i tan(πτ_h/2))^d 위상 및 정규화를 제외한 형태로 표현된다.
• 단계 매개변수 ρ_h와 τ_h는 문제 클래스에 따라 정해지는 상수로, 낮은 비용 상태로의 진폭 재분배 속도를 제어한다.
• 각 시도는 j개의 단계를 거치며, 측정 후 상태 s의 확률는 |ψ_s^(j)|²로 나타나며, 성공 가능성 향상을 위해 다수의 시도가 반복된다.
• 알고리즘은 휴리스틱이자 완전하지 않다: 최적 해를 보장하지 않으며, 최적 해를 발견했는지 확인할 수도 없다.

실험 결과

연구 질문

• RQ1 최소 비용에 대한 사전 지식 없이도 양자 진폭 조작을 효과적으로 활용하여 최적화 문제에서 낮은 비용 상태로 탐색을 이끌 수 있는가?
• RQ2 과잉 제약이 있는 SAT 및 ATSP 문제에서 이 비용 기반 양자 최적화 알고리즘이 GSAT 및 분할 정복 기반 알고리즘과 비교해 어떻게 성능을 내는가?
• RQ3 특히 탐색 상태 표현과 혼합 연산에서 문제의 구조를 얼마나 효과적으로 활용하는가?
• RQ4 코herence 제약 하에서 이 양자 휴리스틱의 계산 비용과 해결 품질 사이의 상호 교환 관계는 어떠한가?
• RQ5 문제를 재인코딩하여 공통 경로 등과 같은 구조적 유사성을 더 잘 반영함으로써 알고리즘의 행동을 향상시킬 수 있는가?

주요 결과

• 각 반복 단계에서 평균적으로 낮은 비용 상태로 진폭이 이동되며, 탐색 공간의 낮은 비용 영역에 진폭이 우선적으로 집중된다.
• 과잉 제약이 있는 SAT 문제에서는 고전적 휴리스틱(GSAT 등)과 유사한 성능를 보였지만, 고전적 시뮬레이션 비용은 문제 크기 증가에 따라 지수적으로 증가한다.
• 비대칭 TSP 문제에서는 랜덤 선택보다 우수한 성능를 보이며, 도시 간 거리의 표준편차에 영향을 받지 않아 비용 분포에 대해 강건함을 나타낸다.
• 양자 알고리즘의 고전적 시뮬레이션 비용은 지수적으로 증가하여 더 큰 인스턴스에 대한 평가가 불가능하며, 이는 양자 하드웨어의 필요성을 강조한다.
• 알고리즘의 성능는 단계 매개변수 설정과 문제 표현에 민감하며, 비최적의 매개변수나 열악한 인코딩은 성능 저하를 초래할 수 있다.
• 휴리스틱 성격에도 불구하고 알고리즘은 문제 크기와 선형적으로 증가하는 코herence 단계를 요구하므로, 진폭 증폭 대비 코herence 요구 조건이 덜 엄격하다.