[论文解读] A 2D Nearest-Neighbor Quantum Architecture for Factoring

Paul Pham, Krysta M. Svore|arXiv (Cornell University)|Jul 27, 2012

Quantum Computing Algorithms and Architecture参考文献 20被引用 6

一句话总结

本文提出了一种用于秀尔因数分解算法的2D最近邻量子架构，通过并行相位估计算法实现多项式对数深度，结合恒定深度的扇出与量子隐形传态，以及恒定深度的进位保存模加法。主要贡献在于一种可扩展、深度优化的设计，其深度与宽度具有渐近界，优于以往的最近邻实现方案。

ABSTRACT

We present a 2D nearest-neighbor quantum architecture for Shor’s factoring algorithm in polylogarithmic depth. Our implementation uses parallel phase estimation, constant-depth fanout and teleportation, and constant-depth carry-save modular addition. We derive asymptotic bounds on the circuit depth and width of our architecture and provide a comparison to all previous nearest-neighbor factoring implementations.

研究动机与目标

• 设计一种可物理实现的秀尔因数分解算法量子架构，满足最近邻量子比特相互作用的要求。
• 通过使用恒定深度量子操作，最小化电路深度，同时保持容错可扩展性。
• 利用并行相位估计算法，在因数分解问题规模上实现多项式对数深度。
• 推导出电路深度与宽度的严格渐近界，以与以往的最近邻实现方案进行比较。
• 使秀尔算法在近期量子设备上实现，这些设备具有有限的连通性。

提出的方法

• 该架构采用并行相位估计算法，同时估计多个本征值，从而减少整体深度。
• 使用恒定深度的扇出与量子隐形传态操作，高效地在2D晶格中分发量子态。
• 以恒定深度实现进位保存模加法，以加速模指数运算步骤。
• 将量子比特映射到2D最近邻网格上，最大限度减少非局域门操作。
• 基于量子比特数量与待分解数的大小，推导出深度与宽度的渐近分析。
• 将模算术原语与低深度量子电路集成，以保持可扩展性。

实验结果

研究问题

• RQ1 秀尔因数分解算法能否在2D最近邻量子架构上实现多项式对数深度？
• RQ2 如何将扇出与模加法等恒定深度操作集成到可扩展的量子电路中？
• RQ3 使用并行相位估计算法的最近邻因数分解架构的渐近深度与宽度边界是什么？
• RQ4 与以往的最近邻实现方案相比，该架构在深度与宽度方面表现如何？
• RQ5 在因数分解算法中，电路深度、宽度与物理量子比特连通性之间存在何种权衡？

主要发现

• 所提出的架构在被分解数的规模上实现了多项式对数深度，显著优于以往设计。
• 扇出与进位保存模加法的恒定深度实现，使量子电路能够高效扩展。
• 并行相位估计算法的使用减少了所需相位估计算法步骤的总数。
• 推导出电路深度与宽度的渐近界，并证明其与以往最近邻方法相比具有竞争力或更优。
• 该架构保持与2D最近邻连通性的兼容性，增强了在当前及近期量子硬件上的物理可实现性。
• 该设计展示了在受限量子架构上实现可扩展、低深度因数分解的可行路径。