[論文レビュー] Quantum Inference on Bayesian Networks

Guang Hao Low, Theodore J. Yoder+1 more|DSpace@MIT (Massachusetts Institute of Technology)|Feb 28, 2014

Bayesian Modeling and Causal Inference参考文献 26被引用数 33

ひとこと要約

この論文は、量子再帰的サンプリングを用いてベイジアンネットワークにおける近似推論のための相対化されていない量子高速化を提示する。グラフ構造を活用することで、著者らは関連分布を表す量子状態を効率的に準備する量子回路を設計し、振幅増幅を適用することで、古典的サンプリングよりも平方根の高速化を達成する。1サンプルあたりの時間は $Ø(n2^mP(e)^{-1/2})$ に対し、古典的手法は $Ø(nmP(e)^{-1})$ である。

ABSTRACT

Performing exact inference on Bayesian networks is known to be #P-hard. Typically approximate inference techniques are used instead to sample from the distribution on query variables given the values $e$ of evidence variables. Classically, a single unbiased sample is obtained from a Bayesian network on $n$ variables with at most $m$ parents per node in time $\mathcal{O}(nmP(e)^{-1})$, depending critically on $P(e)$, the probability the evidence might occur in the first place. By implementing a quantum version of rejection sampling, we obtain a square-root speedup, taking $\mathcal{O}(n2^mP(e)^{-\frac12})$ time per sample. We exploit the Bayesian network's graph structure to efficiently construct a quantum state, a q-sample, representing the intended classical distribution, and also to efficiently apply amplitude amplification, the source of our speedup. Thus, our speedup is notable as it is unrelativized -- we count primitive operations and require no blackbox oracle queries.

研究の動機と目的

• ブラックボックスオラクルに依存しない実用的な量子アルゴリズムを、ベイジアンネットワークにおける近似推論のために開発すること。
• 古典的再帰的サンプリングの計算ボトルネックを解消すること。特に $P(e)$ が指数的に小さい場合に、$P(e)$ に反比例してスケーリングする問題に対処すること。
• ベイジアンネットワークの条件付き独立構造を活用して、量子状態準備回路を効率的に構築すること。
• 古典的サンプリング手法に対して、物理的ゲート操作の数を数えることで、相対化されていない量子高速化を示すこと。
• 現在の量子ハードウェアで実験的に実現可能な、小規模なネットワークにおける量子ベイジアン推論を可能にすること。

提案手法

• ベイジアンネットワークの結合分布 $P(\mathcal{Q}, \mathcal{E})$ をエンコードする純粋な量子状態 $|\psi_P\rangle$ を、制御NOTゲートと単一キュービット回転を用いて量子回路で構築する。
• ネットワークの有界なインデグリーディグリー $m$ を活用することで、状態準備の複雑さが $\mathcal{O}(n2^m)$ に保たれ、ノード数 $n$ に対して線形にスケーリングされることを保証する。
• グローバー反復 $\hat{G} = -\hat{A}\hat{S}_0\hat{A}^\dagger\hat{S}_e$ を用いて振幅増幅を実装する。ここで $\hat{A}$ は状態を準備し、$\hat{S}_e$ と $\hat{S}_0$ は目的状態とすべてゼロの状態をマークする。
• 反復的なグローバー反復を適用することで、証拠 $\mathcal{E} = e$ と整合する状態の振幅を増幅し、$P(\mathcal{Q}|\mathcal{E}=e)$ からの効率的なサンプリングを可能にする。
• 得られた量子状態を測定することで、条件付き分布からのサンプルを取得し、成功確率は $P(e)$ に比例する。
• すべてのコンponentsを基本的な量子ゲートから明示的に構築することで、アルゴリズム全体が相対化されていないことを保証する。抽象的オラクルやクエリ複雑度の仮定に依存しない。

実験結果

リサーチクエスチョン

• RQ1 量子アルゴリズムは、ブラックボックスオラクルに依存せずに、ベイジアンネットワークにおける近似推論で実用的かつ相対化されていない高速化を達成できるか？
• RQ2 ベイジアンネットワークのグラフ構造をどれほど活用できるか、量子状態準備を効率的に行えるか？
• RQ3 証拠確率 $P(e)$ が小さい場合に、振幅増幅がベイジアンネットワーク推論の文脈で平方根の高速化を提供するか？
• RQ4 量子再帰的サンプリングフレームワークは、近未来の量子デバイスに適した明示的かつ物理的ゲート分解で実装可能か？
• RQ5 ベイジアンネットワークにおける量子推論のゲート複雑度は何か？また、ネットワークサイズと証拠確率にどのように依存するか？

主な発見

• 量子アルゴリズムは、古典的再帰的サンプリングに対して平方根の高速化を達成し、時間計算量を $\mathcal{O}(nmP(e)^{-1})$ から $\mathcal{O}(n2^mP(e)^{-1/2})$ に削減する。
• 結合分布 $P(\mathcal{Q}, \mathcal{E})$ のための状態準備回路は、$\mathcal{O}(n2^m)$ 個の CNOT ゲートと単一キュービット回転を用いて明示的に構築され、ネットワークの有界なインデグリー $m$ を活用している。
• 振幅増幅を可能にするグローバー反復の総ゲート数は、主に状態準備ステップに依存し、結果として1サンプルあたりの総実行時間は $\mathcal{O}(n2^mP(e)^{-1/2})$ となる。
• アルゴリズムは相対化されていない：すべてのコンponentsが物理的量子ゲートから明示的に構築されており、抽象的オラクルやクエリ複雑度の仮定に依存しない。
• この手法は、現在の量子ハードウェアで実験的に実現可能であり、2ノードのベイジアンネットワークは2キュービットと小さな回路で十分であり、概念実証例で示されている。
• このフレームワークは、ギブスサンプリングやメトロポリス＝ハスティングス法などの他の確率的推論タスクにも広く応用可能であり、量子機械学習における同様の平方根の高速化を可能にする可能性を示唆している。