[論文レビュー] From Monte Carlo to Quantum Computation

Stefan Heinrich|arXiv (Cornell University)|Dec 23, 2001

Quantum Computing Algorithms and Architecture参考文献 21被引用数 5

ひとこと要約

この論文は、高次元積分と列の和の計算に対する最初の厳密な量子アルゴリズムを確立し、量子計算が古典的決定的手法に対して指数的高速化を達成できること、そして古典的確率的（モンテカルロ）手法に対しては2乗の高速化を達成できることを示している。$L_p$空間およびソボレフ空間において、量子アルゴリズムの最適な誤差率を証明し、特定の状況では収束率の指数を1だけ低減できることを示しており、これは量子振幅増幅による予想される1/2の改善を上回る。

ABSTRACT

Quantum computing was so far mainly concerned with discrete problems. Recently, E. Novak and the author studied quantum algorithms for high dimensional integration and dealt with the question, which advantages quantum computing can bring over classical deterministic or randomized methods for this type of problem. In this paper we give a short introduction to the basic ideas of quantum computing and survey recent results on high dimensional integration. We discuss connections to the Monte Carlo methology and compare the optimal error rates of quantum algorithms to those of classical deterministic and randomized algorithms.

研究の動機と目的

• 数値問題、特にモンテカルロ法の根幹をなす高次元積分と列の和の計算における量子計算の可能性を調査すること。
• 誤差率と計算コストの観点から、古典的決定的アルゴリズムおよび確率的（モンテカルロ）アルゴリズムと比較して、量子アルゴリズムの性能を評価すること。
• $L_p$関数およびソボレフクラスに対する最適な量子アルゴリズムを確立し、最適性を確認するための一致する下界を証明すること。
• 量子計算とモンテカルロ手法の関係を明確にし、モンテカルロにインspiredされた技術を用いて量子アルゴリズムを構築できるかどうかを示すこと。

提案手法

• 量子クエリ複雑度と振幅増幅に基づく、数値問題のための厳密な量子計算モデルを構築する。
• $\mathcal{B}_p^N$ 内の $p$-summable 列の平均を計算するための量子アルゴリズムを、量子位相推定と振幅推定技術を用いて構築する。
• 新しい離散化法を適用し、最適な和の計算アルゴリズムから、ソボレフ空間 $\mathcal{W}_{p,d}^r$ に対する積分アルゴリズムを導出する。
• 情報ベースの複雑度理論を用いて、量子アルゴリズムの一致する下界を導出し、誤差率の最適性（対数要因を除いて）を証明する。
• クエリ複雑度と誤差境界を高次元設定で分析するために、量子カウントと量子ウォーク技術を用いる。
• 異なる関数クラスと $p$-ノルムに対して、クエリ数 $n$ の収束指数を分析することで、古典的および量子の誤差率を比較する。

実験結果

リサーチクエスチョン

• RQ1 高次元積分において、量子アルゴリズムは古典的決定的アルゴリズムに対して指数的高速化を達成できるか？
• RQ2 量子計算は、古典的確率的（モンテカルロ）手法の誤差収束率において、どの程度改善できるか？
• RQ3 観察された収束率の改善は、量子振幅増幅によるものか、それとも、期待される2乗の改善を上回る場合があるのか？
• RQ4 列の和のための量子アルゴリズムを、高次元領域への積分に体系的かつ一貫して拡張できるか？
• RQ5 提案された量子アルゴリズムは最適であり、他のいかなる量子アルゴリズムでもその誤差率を達成できるか？

主な発見

• $\mathcal{B}_p^N$ 内の $L_p$-列に対して、量子アルゴリズムは $2 \leq p < \infty$ の場合に $\mathcal{O}(n^{-1})$、$1 \leq p < 2$ かつ $n < \sqrt{N}$ の場合に $\mathcal{O}(n^{-2+2/p})$、$\sqrt{N} \leq n < N$ の場合に $\mathcal{O}(n^{-2/p}N^{2/p-1})$ の誤差率を達成する。
• $\mathcal{W}_{p,d}^r$ ソボレフ空間において、量子アルゴリズムは $1 \leq p < \infty$、$r/d > 1/p$ の場合に $\mathcal{O}(n^{-r/d-1})$ の誤差率を達成し、$p \geq 2$ の場合に古典的確率的手法の $\mathcal{O}(n^{-r/d-1/2})$ の誤差率に対して1の改善を達成する。
• $p=1$ の場合、量子誤差率 $\mathcal{O}(n^{-r/d-1})$ は、古典的決定的手法の $\mathcal{O}(n^{-r/d})$ の誤差率を指数1の改善で上回り、以前の予想とは矛盾する。
• $\sqrt{N} \leq n < cN$ の場合、$\mathcal{B}_1^N$ の量子誤差率は $\mathcal{O}(n^{-2}N)$ であり、古典的確率的手法が $\mathcal{O}(1)$ で有界であるのと比較して顕著な改善を示す。
• すべてのケースに対して一致する下界が証明され、定理5および6における誤差率が対数要因を除いて最適であることが示された。
• 結果として、量子計算は決定的アルゴリズムに対して指数的高速化、モンテカルロ手法に対して2乗の高速化を提供でき、一部の状況では振幅増幅による予想される1/2の改善を上回ることが示された。