[논문 리뷰] Optimizing the walk coin in the quantum random walk search algorithm through machine learning

Hristo Tonchev, Petar Danev|arXiv (Cornell University)|2021. 05. 17.

Quantum Computing Algorithms and Architecture참고 문헌 59인용 수 5

한 줄 요약

이 논문은 기계학습을 활용하여 양자 랜덤 워크 검색 알고리즘의 워크 코인을 최적화하여 단계 정확도 부족에 대한 안정성을 향상시키는 것을 제안한다. 일반화된 하우스홀더 반사와 단계 이동을 조합하고, 신경망 및 지도 학습 모델을 훈련시켜 저자들은 특히 단계 차이를 제어할 경우 더 뛰어난 내성적 안정성을 확보함을 입증한다. 이는 1에서 3 큐비트 코인을 가진 초입방에서 더 안정적인 검색 성능을 보인다.

ABSTRACT

This paper examines the stability of the quantum random walk search algorithm, when the walk coin is constructed by generalized Householder reflection and additional phase shift, against inaccuracies in the phases used to construct the coin. The optimization of the algorithm is done by numerical methods - Monte Carlo, neural networks, and supervised machine learning. The results of numerical simulations show that, with such a construction of the Householder reflection, the algorithm is more stable to inaccuracies in the specific values of these phases, as long as it is possible to control the phase difference between the phase shift and the phase involved in the Householder reflection. This paper explicitly shows as an example, how achieving a properly designed phase difference would make quantum random walk search on a hypercube more stable for coin register consisting of one, two, and three qubits.

연구 동기 및 목표

• 워크 코인의 단계 정확도 부족 상황에서 양자 랜덤 워크 검색 알고리즘의 안정성을 향상시키기 위해.
• 하우스홀더 반사와 단계 이동 간의 단계 차이가 알고리즘의 내성적 안정성에 어떤 영향을 미치는지 조사하기 위해.
• 마르코프 체인 몬테카를로, 신경망, 지도 학습 기법을 활용하여 코인 구성 최적화를 위해 기계학습 기법을 적용하기 위해.
• 코인 레지스터에 1, 2, 3 큐비트를 사용하는 초입방 구조에서 성능을 평가하기 위해.
• 통제된 단계 차이가 알고리즘의 단계 오차에 대한 저항력 향상에 크게 기여함을 입증하기 위해.

제안 방법

• 양자 진동의 조절을 위해 일반화된 하우스홀더 반사와 추가적인 단계 이동을 조합하여 워크 코인을 구성한다.
• 다양한 단계 정확도 오차 상황에서 알고리즘의 안정성을 평가하기 위해 몬테카를로 시뮬레이션을 사용한다.
• 최적의 단계 설정을 예측하고 검색 성공률을 극대화하기 위해 신경망 및 지도 학습 모델을 훈련시킨다.
• 최적화는 하우스홀더 반사 단계와 추가 단계 이동 간의 단계 차이를 제어하는 데 집중된다.
• 성능 평가를 위해 1, 2, 3 큐비트 코인 레지스터를 가진 초입방 그래프에서 수치 시뮬레이션을 수행한다.
• 편향된 단계 파arameter 하에서 검색 민감도와 수렴 안정성으로 알고리즘의 성공률을 측정한다.

실험 결과

연구 질문

• RQ1 워크 코인의 단계 정확도 부족은 양자 랜덤 워크 검색 알고리즘의 안정성에 어떤 영향을 미치는가?
• RQ2 하우스홀더 반사와 단계 이동 간의 단계 차이는 알고리즘의 내성적 안정성에 어떤 역할을 하는가?
• RQ3 기계학습 기법은 단계 오차 상황에서 양자 워크 검색의 안정성을 향상시킬 수 있는가?
• RQ4 코인 레지스터에 1, 2, 3 큐비트를 사용하는 초입방에서 단계 정확도 부족 상황에서 알고리즘 성능은 어떻게 변화하는가?
• RQ5 어떤 특정 단계 설정이 양자 워크 검색 과정에서 최적의 안정성을 이끌어내는가?

주요 결과

• 하우스홀더 반사와 단계 이동 간의 단계 차이를 적절히 제어할 경우 알고리즘이 상당히 향상된 안정성을 보인다.
• 최적화된 단계 차이를 적용하면 코인 파rameter의 상당한 단계 정확도 오차가 발생하더라도 검색 성공률이 높게 유지된다.
• 신경망 및 지도 학습 모델은 무작위 또는 균일한 단계 선택보다 뛰어난 안정성 확보를 위한 단계 설정을 성공적으로 식별했다.
• 몬테카를로 시뮬레이션을 통해 단계 차이가 절대 단계 값보다 알고리즘의 내성적 안정성에 더 중요한 영향을 미친다는 것이 확인되었다.
• 이 방법은 1, 2, 3 큐비트 코인 레지스터를 가진 초입방에서도 높은 성능을 유지하여 최적화 접근법의 확장성을 입증한다.
• 최종 버전에서 식 (35)의 오타를 수정하였으며, 이는 이론적 모델의 일관성을 확인하는 데 기여하였다.