[论文解读] A Quantum Algorithm for Testing Juntas in Boolean Functions

Khaled El-Wazan, Ahmed Younes+1 more|arXiv (Cornell University)|Jan 9, 2017

Quantum Computing Algorithms and Architecture参考文献 18被引用 5

一句话总结

该论文提出了一种新颖的量子算法，用于测试布尔函数中的特定变量是否为junta变量（即对函数输出无关）或与junta相差$\epsilon$。利用函数黑箱的两个副本，该算法构建了一个新函数$g_{x_i}$，若$x_i$为junta变量则该函数恒为零，否则至少有一个解。随后，通过使用部分扩散算符的振幅放大技术，在$\mathcal{O}(\sqrt{2^n})$次查询内区分这两种情况。

ABSTRACT

Given a Boolean function $f$ provided as a black-box with $n$ variables, this paper will propose a quantum algorithm for testing if a certain variable is junta or $ε$-far from being junta. The proposed algorithm constructs another black-box using two copies of the provided black-box. The constructed black-box is used with the partial diffusion operator in an amplitude amplification technique to test whether the variable being tested is junta or not, using $\mathcal{O}(\sqrt{2^n})$ queries to the constructed black-box. The proposed algorithm considers a Boolean function of general form, contrary to relevant algorithms proposed by others.

研究动机与目标

• 开发一种量子算法，用于测试布尔函数中特定输入变量是否为junta变量或与之$\epsilon$-远。
• 解决先前算法仅适用于受限布尔函数类（如线性函数或单一项函数）的局限性。
• 提供一种通用解决方案，适用于任意布尔函数，无论其形式如何，且保证至少$2/3$的成功概率。
• 在junta测试中实现相对于经典方法和先前量子方法的二次加速，尤其在函数结构未知或复杂的情况下。

提出的方法

• 从原始布尔函数$f$的两个副本构建新黑箱函数$g_{x_i}$，使用待测变量$x_i$。
• 定义$g_{x_i}(x) = f(x) \oplus f(x \oplus e_i)$，其中$e_i$是$x_i$的标准基向量，以检测对$x_i$的依赖性。
• 使用带部分扩散算符的振幅放大技术，增强$g_{x_i}$中解的振幅，从而高效检测$g_{x_i}$是否具有任何解。
• 该算法区分两种情况：$g_{x_i}$恒为零（表明$x_i$为junta变量）或至少有一个解（表明$x_i$不是junta变量）。
• 由于$g_{x_i}$中解的数量未知，因此算法采用一种不依赖解数先验知识的鲁棒振幅放大技术。
• 该算法以$\mathcal{O}(\sqrt{2^n})$次查询操作构造的黑箱$g_{x_i}$，实现了相对于经典方法的二次加速。

实验结果

研究问题

• RQ1 量子算法能否测试一般布尔函数中单个变量是否为junta变量或与之$\epsilon$-远？
• RQ2 如何设计一种适用于任意布尔函数（包括非线性和多术语函数）的量子算法，且无需对函数结构作先验假设？
• RQ3 使用构造的黑箱函数与量子振幅放大技术进行junta变量测试的查询复杂度是多少？
• RQ4 所提算法的性能与先前仅限于特定函数类（如线性或单一项函数）的量子算法相比如何？
• RQ5 该算法能否在不依赖$g_{x_i}$中解数知识的前提下，实现至少$2/3$的成功概率？

主要发现

• 所提算法在测试变量$x_i$是否为junta或$\epsilon$-远时，无论函数形式如何，均实现$\mathcal{O}(\sqrt{2^n})$的查询复杂度。
• 若$x_i$为junta变量，则构造函数$g_{x_i}$恒为零（常数），否则至少有一个解，从而可通过振幅放大清晰区分。
• 该算法适用于任意布尔函数，包括非线性和多术语函数，而先前方法仅限于线性或单一项形式。
• 与经典方法及先前量子算法（如Floess等人的方法）相比，该算法在函数结构未知或复杂的情况下实现了二次加速。
• 所有布尔函数的成功概率均不低于$2/3$，且该方法无需预先知晓$g_{x_i}$中解的数量，因此具有鲁棒性和通用性。
• 对于度数为$m$的单一项函数，该算法需$\mathcal{O}(\sqrt{2^m})$次查询，相比Floess等人的$\mathcal{O}(2^m)$次预言机调用实现了二次改进。