[论文解读] A Hybrid Quantum Search Engine: A Fast Quantum Algorithm for Multiple Matches

Ahmed Younes, Jon Rowe+1 more|ArXiv.org|Nov 25, 2003

Quantum Computing Algorithms and Architecture参考文献 15被引用 7

一句话总结

本文提出了一种混合量子搜索算法，通过一种新颖的量子振幅放大技术，高效处理搜索空间中的多个匹配项，当 M ≥ N/8 时实现近乎恒定的运行时间。对于匹配项较少的情况，它会退化为经典行为，在高匹配度情况下优于Grover算法，同时在混合系统中结合使用时，对稀疏解仍保持 O(√N) 复杂度。

ABSTRACT

In this paper we will present a quantum algorithm which works very efficiently in case of multiple matches within the search space and in the case of few matches, the algorithm performs classically. This allows us to propose a hybrid quantum search engine that integrates Grover's algorithm and the proposed algorithm here to have general performance better that any pure classical or quantum search algorithm.

研究动机与目标

• 解决当匹配项数量 M 超过 N/2 时Grover算法性能下降的问题。
• 设计一种在存在多个解时表现最优的量子算法，实现近乎恒定的运行时间。
• 提出一种混合搜索引擎，集成所提出的算法与Grover算法，以在所有解数量下实现整体最优性能。
• 分析两种算法可无缝集成到单一搜索系统中的条件。
• 证明在一般搜索场景中，混合系统优于纯经典与纯量子算法。

提出的方法

• 该算法使用基于受控旋转和Hadamard变换的递归振幅放大过程，以增强标记态的振幅。
• 它定义了两个序列 a_i^(q) 和 b_i^(q)，表示经过 q 次迭代后的振幅分量，其由递推关系式（公式38–39）控制。
• 经过 q 次迭代后的成功概率推导为 P_s^(q) = (M/N - 1)(1 - 2M/N)^(2q) + 1（公式41），该式描述了收敛行为。
• 当 M ≥ N/8 时，该算法在三次迭代后成功概率 ≥ 94%，从而在高匹配度情况下实现 O(1) 运行时间。
• 当 M < N/8 时，该算法转为经典行为，迭代次数按 O(N/M) 缩放，与经典性能一致。
• 混合系统首先使用所提出的算法处理 M ≥ N/8 的情况（快速），在 M < N/8 时回退至Grover算法（O(√N) 复杂度）。

实验结果

研究问题

• RQ1 能否设计一种量子搜索算法，使其在匹配项 M 超过 N/2 时仍能保持高性能，而此时Grover算法性能会下降？
• RQ2 结合量子与经典搜索技术的最优策略是什么，以实现更优的平均性能？
• RQ3 所提算法的成功概率如何随迭代次数及 M/N 比例变化？
• RQ4 在何种条件下可将所提算法与Grover算法集成到混合搜索引擎中？
• RQ5 该算法能否在 M ≥ N/8 时实现近乎恒定的运行时间，同时在稀疏解情况下保持 O(√N) 复杂度？

主要发现

• 当 M = N/2 时，该算法仅需一次迭代即可以确定性方式找到解。
• 当 M > N/2 时，一次迭代后成功概率为 92.6%，两次后为 95.9%，三次后为 97.2%。
• 当 M ≥ N/8 时，该算法在三次迭代后至少达到 94% 的成功概率，从而在高匹配度情况下实现 O(1) 运行时间。
• 当 M < N/8 时，该算法表现如经典算法，需要 O(N/M) 次迭代，与经典算法复杂度一致。
• 混合搜索引擎在最坏情况下（匹配项稀疏）实现 O(√N) 复杂度，在最佳情况下（M ≥ N/8）实现 O(1) 复杂度，优于纯经典与纯量子方法。
• 如图8所示，与Grover算法相比，该算法在高匹配度场景下更加稳定可靠，其成功概率在 M/N > 0.125 时均保持较高水平。