[论文解读] 1-way quantum finite automata: strengths, weaknesses and generalizations

Andris Ambainis, Rūsiņš Freivalds|ArXiv.org|Feb 25, 1998

Machine Learning and Algorithms参考文献 9被引用 36

一句话总结

本文研究了一维量子有限自动机（QFAs），证明其在识别某些正则语言时，相比经典自动机可实现指数级的状态数减少。研究表明，低接受概率的QFAs比可逆自动机更具计算能力，并引入了广义模型（如多轮扫描和概率预处理），使自动机能够识别非正则语言（如{aⁿbⁿ}），从而克服了标准一维QFAs的局限性。

ABSTRACT

We study 1-way quantum finite automata (QFAs). First, we compare them with their classical counterparts. We show that, if an automaton is required to give the correct answer with a large probability (over 0.98), then the power of 1-way QFAs is equal to the power of 1-way reversible automata. However, quantum automata giving the correct answer with smaller probabilities are more powerful than reversible automata. Second, we show that 1-way QFAs can be very space-efficient. Namely, we construct a 1-way QFA which is exponentially smaller than any equivalent classical (even randomized) finite automaton. This construction may be useful for design of other space-efficient quantum algorithms. Third, we consider several generalizations of 1-way QFAs. Here, our goal is to find a model which is more powerful than 1-way QFAs keeping the quantum part as simple as possible.

研究动机与目标

• 分析一维量子有限自动机（QFAs）相对于经典自动机和可逆自动机的计算能力。
• 研究QFAs是否能在特定正则语言上实现相对于经典有限自动机的指数级空间节省。
• 设计广义的QFA模型，在保持小规模量子组件的同时，提升其表达能力以超越标准一维QFAs。
• 确定多轮扫描或预处理等修改是否能实现对非正则语言的识别。
• 阐明QFAs中接受概率、状态复杂度与计算能力之间的权衡关系。

提出的方法

• 通过分析接受概率，比较一维QFAs与一维可逆自动机，证明当接受概率超过7/9时二者等价。
• 构建一个状态数为O(log p)的一维QFA以识别模素数p的整除性，与需要p个状态的经典自动机形成对比。
• 引入广义模型：允许多轮扫描输入的一维QFA，或使用二维经典自动机进行概率预处理的一维QFA。
• 利用有限维希尔伯特空间上的酉变换Vₐ来建模基于输入符号的量子态演化。
• 在每一步操作后应用量子测量以确定是否进入终止状态，根据最终态振幅决定接受或拒绝。
• 在有限状态集上使用叠加态，并通过投影到接受子空间来定义接受条件。

实验结果

研究问题

• RQ1 一维QFA的接受概率如何影响其与一维可逆自动机的等价性？
• RQ2 一维QFAs是否能在特定正则语言上实现相对于经典有限自动机的指数级状态数减少？
• RQ3 广义的一维QFA模型（如多轮扫描或预处理）是否能识别非正则语言（如{aⁿbⁿ}）？
• RQ4 在保持量子系统为常规模型的前提下，识别非正则语言所需的最小量子组件规模是多少？
• RQ5 在混合量子-经典自动机模型中，是否存在量子态规模与经典计算开销之间的权衡？

主要发现

• 一个识别模素数p整除性的一维QFA仅需O(log p)个状态，而任何经典确定性或概率性自动机均需p个状态。
• 当接受概率超过7/9时，任意一维QFA均可被一维可逆自动机模拟；但当接受概率较低时（例如约0.68），QFAs严格更强大。
• 一个支持多轮扫描的一维QFA可通过在合法输入上永不终止、在非法输入上始终终止的方式，识别非正则语言{aⁿbⁿ}。
• 一个结合概率预处理的一维QFA可高概率（1−ε）识别{aⁿbⁿ}，其结构为：使用二维概率自动机进行预处理，再由一维QFA执行量子验证。
• 预处理模型可在不增加量子系统规模的前提下识别非正则语言，保持量子部分为常规模型。
• 构造模p整除性QFA的过程表明，量子自动机在空间效率上可比经典对应物实现指数级提升。