[논문 리뷰] Quantum Simulated Annealing

Somma, R., Rolando D. Somma외 1명|ArXiv.org|2007. 12. 06.

Quantum Computing Algorithms and Architecture참고 문헌 4인용 수 12

한 줄 요약

이 논문은 양자 워크, 위상 추정, 양자 젠오 효과를 사용하여 고전적 시뮬레이티드 어닐링을 가속화하는 조합 최적화를 위한 양자 알고리즘을 제시한다. 이 알고리즘은 고전적 마르코프 체인 몬테카를로 방법보다 제곱근의 속도 향상을 달성하여, 확률적 행렬의 스펙트럼 갭 $\delta$가 $\mathcal{O}(1/\delta)$에서 $\mathcal{O}(1/\sqrt{\delta})$로 감소시키며, 특히 작은 갭을 가진 어려운 인스턴스에서 성능 향상이著명하다.

ABSTRACT

We develop a quantum algorithm to solve combinatorial optimization problems through quantum simulation of a classical annealing process. Our algorithm combines techniques from quantum walks, quantum phase estimation, and quantum Zeno effect. It can be viewed as a quantum analogue of the discrete-time Markov chain Monte Carlo implementation of classical simulated annealing. Our implementation scales with the inverse of the square root of the minimum spectral gap of the stochastic matrix used in the classical simulation. The quantum algorithm outperforms the classical one, which scales with the inverse of the gap.

연구 동기 및 목표

• 고전적 마르코프 체인 몬테카를로(MCMC) 방법보다 더 효율적으로 고전적 시뮬레이티드 어닐링을 시뮬레이션하는 양자 알고리즘을 개발하는 것.
• 문제 크기와 함께 지수적으로 작아지는 스펙트럼 갭 $\delta$로 인해 수렴이 어려워지는 고전적 시뮬레이티드 어닐링의 비효율성을 해결하는 것.
• 특히 양자 워크, 위상 추정, 양자 젠오 효과를 포함한 양자 자원을 활용하여 조합 최적화 문제를 해결하는 데 있어 증명 가능한 속도 향상을 달성하는 것.
• 특히 $\delta \ll 1$ 인 경우에 양자 어닐링 과정의 시뮬레이션을 통해 고전적 대안을 능가할 수 있음을 보여주는 것.

제안 방법

• 알고리즘은 고전적 가역 마르코프 체인의 전이 행렬로부터 양자 워크를 구성하며, 유니타리성을 확보하고 스펙트럼 성질을 유지하기 위해 유사성 변환을 사용한다.
• 각 역온도 $\beta_k$ 에서 어닐링 해밀토니안의 기본 상태로 시스템을 투영하기 위해 양자 위상 추정(QPE)을 적용한다.
• 보조 큐비트에 대한 빈번한 사영 측정을 통해 양자 젠오 효과를 활용하여 Excited 상태로의 전이를 억제함으로써 진화를 효과적으로 느리게 하고 기본 상태 투영의 정확도를 향상시킨다.
• 알고리즘은 역온도의 시퀀스 $\beta_1, \beta_2, \dots, \beta_Q = \beta_f$ 를 거쳐 각 단계에서 QPE를 적용함으로써 천천히 시스템을 기본 상태로 냉각시는 방식으로 진행된다.
• 최종 상태는 모두 0인 보조 큐비트 레지스터로 투영되며, 위상 추정 오차와 스펙트럼 갭 고려 사항을 바탕으로 기본 상태를 측정할 확률이 오차 항을 통해 제한된다.
• 구현 복잡도는 다중 위상 추정 단계에서의 누적 오차와 시간이 지남에 따라 Excited 상태 진폭의 감쇠를 분석함으로써 유도된다.

실험 결과

연구 질문

• RQ1 고전적 어닐링 과정의 양자 시뮬레이션은 고전적 MCMC 기반 시뮬레이티드 어닐링보다 증명 가능한 속도 향상을 가져올 수 있는가?
• RQ2 양자 워크와 위상 추정의 사용이 고전적 방법과 비교해 어닐링 과정의 수렴 속도에 어떤 영향을 미치는가?
• RQ3 양자 젠오 효과는 양자 어닐링 프레임워크에서 기본 상태 준비의 정밀도를 어느 정도 향상시키는가?
• RQ4 스펙트럼 갭 $\delta$ 에 대해 양자 시뮬레이티드 어닐링에 필요한 연산 횟수의 스케일링은 어떻게 되는가?
• RQ5 고전적 시뮬레이티드 어닐링에 비해 상태 생성 연산 횟수를 줄이면서도 오차 확률이 유한하게 유지되는가?

주요 결과

• 양자 시뮬레이티드 어닐링(QSA) 알고리즘은 오차 확률 $\epsilon$ 으로 최적 해를 찾는 데 $\mathcal{O}(\log^3(d/\epsilon^2)/(\sqrt{\delta}\epsilon^2))$ 번의 연산을 요구하며, 이는 고전적 시뮬레이티드 어닐링 대비 제곱근의 속도 향상을 나타낸다.
• 고전적 시뮬레이티드 어닐링은 $\mathcal{O}(1/\delta)$ 번의 연산이 필요하지만, 양자 버전은 이를 $\mathcal{O}(1/\sqrt{\delta})$ 로 감소시켜, 작은 스펙트럼 갭을 가진 문제에서 훨씬 더 효율적임을 입증한다.
• 양자 알고리즘의 오차 확률은 $d e^{-\beta_f \gamma} + \tau' Q \nu^2$ 이하로 상한이 설정되며, 여기서 $\gamma$ 는 생성자 행렬의 스펙트럼 갭이고 $\tau'$ 는 상수이므로, 실패 확률이 유한함을 보장한다.
• 보조 큐비트를 사용한 반복적 위상 추정과 사영 측정을 통해 양자 젠오 효과를 효과적으로 구현함으로써 Excited 상태로의 전이가 억제되고 기본 상태의 정밀도가 향상된다.
• 알고리즘의 성능은 $\delta \ll 1$ 인 어려운 인스턴스에서 가장 유리하며, $\sqrt\delta$ 에 대한 제곱근 의존성으로 인해 필요한 연산 횟수가 극적으로 감소한다.
• 분석 결과, 위상 추정 단계 수 $Q$ 와 보조 큐비트 정밀도 $p$ 가 적절히 선택될 경우 최종 상태는 높은 확률로 기본 상태로 투영되며, 오차는 $\nu^2$ 와 $Q$ 에 의해 제어됨을 보여준다.