[論文レビュー] An in-principle super-polynomial quantum advantage for approximating combinatorial optimization problems via computational learning theory

Niklas Pirnay, Vincent Ulitzsch+3 more|arXiv (Cornell University)|Dec 16, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

この論文は、特定の組合せ最適化問題の近似解を求める際、量子コンピュータが古典的コンピュータに対して超多項式の優位性を達成できることを構成的証明する。計算学習理論と暗号的困難性の仮定を活用することで、著者らは、古典的アルゴリズムが多項式要因内で近似することが計算的に不可能なインスタンスを設計した。一方、ショアの因数分解アルゴリズムに基づく量子アルゴリズムは、最適解を多項式要因内で効率的に近似でき、これは原理的な量子優位性を示している。

ABSTRACT

Combinatorial optimization - a field of research addressing problems that feature strongly in a wealth of scientific and industrial contexts - has been identified as one of the core potential fields of applicability of quantum computers. It is still unclear, however, to what extent quantum algorithms can actually outperform classical algorithms for this type of problems. In this work, by resorting to computational learning theory and cryptographic notions, we prove that quantum computers feature an in-principle super-polynomial advantage over classical computers in approximating solutions to combinatorial optimization problems. Specifically, building on seminal work by Kearns and Valiant and introducing a new reduction, we identify special types of problems that are hard for classical computers to approximate up to polynomial factors. At the same time, we give a quantum algorithm that can efficiently approximate the optimal solution within a polynomial factor. The core of the quantum advantage discovered in this work is ultimately borrowed from Shor's quantum algorithm for factoring. Concretely, we prove a super-polynomial advantage for approximating special instances of the so-called integer programming problem. In doing so, we provide an explicit end-to-end construction for advantage bearing instances. This result shows that quantum devices have, in principle, the power to approximate combinatorial optimization solutions beyond the reach of classical efficient algorithms. Our results also give clear guidance on how to construct such advantage-bearing problem instances.

研究の動機と目的

• 組合せ最適化問題の近似において、古典的多項式時間アルゴリズムを超える、厳密で構成的な量子優位性を確立すること。
• 暗号的仮定に基づいて、古典的コンピュータが多項式要因内で近似することが証明的に困難な特定の問題インスタンスを同定すること。
• ショアのアルゴリズムをコアコンponentsとして活用することで、量子アルゴリズムがこれらのインスタンスの最適解を効率的に近似できることを示すこと。
• 計算学習理論と量子優位性を最適化分野で統合し、優位性を示すインスタンスのエンドツーエンド構築を提供すること。
• 量子優位性が漸近的または条件付きではなく、既知の量子アルゴリズムに基づく完全に明示的かつ包括的な構築によって生じることを示すこと。

提案手法

• 著者らは、キアーンズとヴァリアントの暗号的学習制限の枠組みを拡張し、近似が困難な組合せ最適化インスタンスを定義する。
• 古典的アルゴリズムが、数論的困難性（例えば、因数分解）に起因して多項式要因内で解を近似できないインスタンスを構築する。
• 量子アルゴリズムは、ショアのアルゴリズムを用いて大きな整数を因数分解し、これにより最適解の近似が効率的に行えるようにする。
• 因数分解問題を、因数分解の難易度を符号化したコスト関数を持つ組合せ最適化問題に変換する。
• 量子位相推定と周期探索を用いてコスト関数を評価し、多項式要因内の近似を達成する。
• 構築はエンドツーエンドであり、問題インスタンスの生成から量子解法まで、完全に古典的および量子的コンponentsが明示されている。

実験結果

リサーチクエスチョン

• RQ1 量子コンピュータは、組合せ最適化問題の近似において、古典的コンピュータに対して超多項式の優位性を示せるか？
• RQ2 古典的近似が多項式要因内で証明的に困難な、明示的に構築可能な特定の組合せ最適化インスタンスが存在するか？
• RQ3 ショアの因数分解アルゴリズムをサブルーチンとして再利用することで、このような最適化問題で効率的な近似が達成可能か？
• RQ4 計算学習理論と暗号的困難性の仮定の制約下でも、近似における量子優位性は維持されるか？
• RQ5 ヒューリスティックまたはヒューリスティックに似た量子アルゴリズムに依存しない、完全に明示的かつエンドツーエンドの最適化における量子優位性を構築することは可能か？

主な発見

• 著者らは、古典的コンピュータが任意の多項式要因内で近似することが証明的に困難である、明示的な組合せ最適化問題のインスタンスを構築した。
• これらのインスタンスに対して、ショアの因数分解アルゴリズムに基づく量子アルゴリズムは、最適解を多項式要因内で効率的に近似できる。
• 量子優位性は、古典的近似の複雑さが量子実行時間よりも任意の多項式よりも速く増加するという意味で超多項式的である。
• 構築は完全に明示的かつエンドツーエンドであり、因数分解問題が組合せ最適化フレームワークにどのように埋め込まれるかを示している。
• 量子優位性は、特に古典的コンピュータにとって整数の因数分解が困難であることに根ざしており、一方で量子多項式時間で解ける。
• 本研究は、計算学習理論と数論に基づいて、組合せ最適化における近似に対する証明可能な、原理的な量子優位性を確立した。