[논문 리뷰] Quantum Adiabatic Evolution Algorithms with Different Paths

Edward Farhi, Jeffrey Goldstone외 1명|ArXiv.org|2002. 08. 21.

Quantum Computing Algorithms and Architecture참고 문헌 1인용 수 66

한 줄 요약

이 논문은 하미르토니안 공간에서 곡선 경로를 사용하는 양자 어드비틱 알고리즘을 제안한다—특히 추가 항 $ H_E $ 를 포함한 경로를 통해 작은 스펙트럴 갭으로 인한 성능 저하를 피한다. $ H_E $ 를 무작위로 선택함으로써 기존에 실패하는 알고리즘을 성공적으로 변환할 수 있으며, 표준 직선 경로가 실패하는 딱딱한 사례에서 곡선 경로를 사용하면 다항 시간 내에 성공함을 입증하였다.

ABSTRACT

In quantum adiabatic evolution algorithms, the quantum computer follows the ground state of a slowly varying Hamiltonian. The ground state of the initial Hamiltonian is easy to construct; the ground state of the final Hamiltonian encodes the solution of the computational problem. These algorithms have generally been studied in the case where the "straight line" path from initial to final Hamiltonian is taken. But there is no reason not to try paths involving terms that are not linear combinations of the initial and final Hamiltonians. We give several proposals for randomly generating new paths. Using one of these proposals, we convert an algorithmic failure into a success.

연구 동기 및 목표

• 기본 양자 어드비틱 알고리즘이 초기 하미르토니안에서 문제 하미르토니안으로 향하는 직선 경로 동안 스펙트럴 갭이 작아지면 성능에 악영향을 미치는 한계를 극복하기 위해.
• 선형 보간 외의 하미르토니안 공간 내 다른 경로가 작은 에너지 갭 영역을 피함으로써 더 나은 성능을 낼 수 있는지 탐색하기 위해.
• 기본 상태의 구조를 유지하면서 어드비틱 진화 효율성을 향상시키는 $ H_E $ 의 무작위 경로 생성 전략을 개발하고 테스트하기 위해.
• 표준 경로가 실패하는 상황에서 경로의 곡률이 다항 시간 내 성공을 가능하게 할 수 있음을 입증하기 위해, 특히 딱딱한 최적화 사례에서.
• 다양한 $ H_E $ 선택에 기반한 반복 알고리즘 실행을 위한 프레임워크를 제공하여 경로 다양성을 통해 성공 확률을 높이기 위해.

제안 방법

• 기본 어드비틱 하미르토니안을 $ \widetilde{H}(s) = (1-s)H_B + sH_P + s(1-s)H_E $ 로 일반화한다. 여기서 $ H_E $ 는 진화 중간에만 작용하는 추가 항이다.
• 세 가지 $ H_E $ 생성 전략을 제안한다: P1(각 절에서 무작위 헤르미트 행렬 사용), P2(모든 절에 동일한 무작위 행렬 사용), P3(3-SAT에 특화된 특정 구조를 가진 무작위 행렬 사용).
• 효과적 잠재에너지 분석을 통해 어드비틱 진화의 역학을 연구하며, $ s $ 가 증가함에 따라 잠재에너지의 전역 최소값의 이동을 추적한다.
• 무작위 $ H_E $ 를 사용한 경로 추적 성공률을 수치 실험으로 테스트하며, 국소 최소값이 연속적으로 최종 기본 상태로 진화하는지 측정한다.
• 문헌 [5] 에서 알려진 딱딱한 사례에 이 방법을 적용하여, P2 를 통해 $ H_E $ 를 추가함으로써 갭이 충분히 커져 다항 시간 어드비틱 진화가 가능해짐을 보였다.
• 대칭성과 통계적 샘플링을 활용해 성공적인 진화로 이어지는 $ H_E $ 공간의 부피를 평가함으로써 알고리즘 성능을 분석한다.

실험 결과

연구 질문

• RQ1 하미르토니안 공간 내 비선형 경로가 작은 스펙트럴 갭을 피함으로써 양자 어드비틱 알고리즘의 성능을 향상시킬 수 있는가?
• RQ2 문제의 기본 상태를 유지하면서 어드비틱 진화를 향상시키는 데 효과적인 $ H_E $ 생성 전략은 무엇인가?
• RQ3 무작위로 선택한 $ H_E $ 가 딱딱한 사례에서 성공적인 어드비틱 진화 확률을 상당히 높이는가?
• RQ4 효과적 잠재에너지 방법을 사용해 곡선 경로를 가진 어드비틱 진화의 성공 여부를 분석적 또는 수치적으로 예측할 수 있는가?
• RQ5 문제의 대칭성(예: 동일한 절들)이 경로 최적화 어드비틱 알고리즘의 성능에 어떤 영향을 미치는가?

주요 결과

• P2 제안을 통해 $ H_E $ 를 추가함으로써 이전에 실패했던 어드비틱 알고리즘이 성공적으로 변환되어 딱딱한 사례를 다항 시간 내에 해결할 수 있게 되었다.
• 대칭적인 $ H_E $ 를 사용한 1,000회의 랜덤 시험 중 351회에서 연속적으로 추적된 국소 최소값이 초기 상태에서 최종 기본 상태로 진화하여 높은 성공률을 보였다.
• 효과적 잠재에너지 분석 결과 대칭적인 $ H_E $ 를 사용할 경우 전역 최소값이 $ \theta = \pi/2, \varphi = 0 $ 에서 $ \theta = 0, \varphi = 0 $ 로 매끄럽게 이동함을 확인하여 어드비틱 진화 성공이 보장됨을 시사했다.
• P1 방식으로 무작위 선택한 $ H_E $ 는 일반적으로 최소 갭을 향상시키지 못했지만, 가장 작은 갭이 치명적인 경우의 확률을 감소시켜 경로 다양성이 도움이 된다는 것을 시사했다.
• 성공적인 알고리즘은 경로가 작은 스펙트럴 갭 영역을 피하는 데 달려 있으며, 곡선 경로는 이러한 봉합점을 피할 수 있다.
• 이 방법은 다양한 $ H_E $ 선택에 기반한 다수의 어드비틱 진화를 반복 실행함으로써 전체 성공 확률을 높일 수 있음을 지지하며, 개별 실행이 실패하더라도 전체적으로는 성공 가능성을 높일 수 있다.