[论文解读] A Quantum Computational Learning Algorithm

Dan Ventura, Tony Martinez|ArXiv.org|Jul 18, 1998

Quantum Computing Algorithms and Architecture参考文献 34被引用 7

一句话总结

本文提出了一种量子计算学习算法，仅通过示例查询即可学习析取范式（DNF）表达式，避免了对成员资格预言机的依赖。通过将基于傅里叶的方法扩展到量子领域，该算法实现了 O(√(2^n)) 的运行时间，相较于需要成员资格查询的经典方法展现出量子加速优势。

ABSTRACT

An interesting classical result due to Jackson allows polynomial-time learning of the function class DNF using membership queries. Since in most practical learning situations access to a membership oracle is unrealistic, this paper explores the possibility that quantum computation might allow a learning algorithm for DNF that relies only on example queries. A natural extension of Fourier-based learning into the quantum domain is presented. The algorithm requires only an example oracle, and it runs in O(sqrt(2^n)) time, a result that appears to be classically impossible. The algorithm is unique among quantum algorithms in that it does not assume a priori knowledge of a function and does not operate on a superposition that includes all possible states.

研究动机与目标

• 开发一种仅依赖示例查询的 DNF 表达式量子学习算法，避免对成员资格预言机这一不切实际假设的依赖。
• 探索在仅能获取示例的现实环境中，量子计算是否能够实现对 DNF 公式的高效学习。
• 将经典的基于傅里叶的学习技术扩展到量子领域，以提升效率。
• 通过仅使用示例访问即实现亚指数级运行时间，证明量子计算在学习复杂度上的优势。
• 设计一种无需预先了解目标函数且不需对所有可能状态制备叠加态的算法。

提出的方法

• 该算法采用适配于量子领域的傅里叶变换方法，利用量子幅度放大技术。
• 其运行依赖于一个提供目标 DNF 函数标记示例的示例预言机。
• 通过完全依赖示例查询而非成员资格预言机，该方法在实际场景中更具现实可行性。
• 该算法通过重复查询构建编码函数傅里叶系数信息的量子态。
• 通过应用量子幅度放大技术，高效提取显著的傅里叶系数，将运行时间降低至 O(√(2^n))。
• 该算法不假设对目标函数的先验知识，且不制备所有可能输入态的叠加态。

实验结果

研究问题

• RQ1 在仅使用示例查询且无需成员资格预言机的前提下，量子计算是否能够实现对 DNF 公式的高效学习？
• RQ2 是否可以将经典的基于傅里叶的学习技术扩展到量子领域以实现加速？
• RQ3 当仅能访问示例时，学习 DNF 公式所需的最小量子查询复杂度是多少？
• RQ4 在现实的查询约束条件下，该算法是否在运行时间上优于经典学习算法？
• RQ5 量子算法是否可以在不依赖先验知识或对所有输入态制备完整叠加态的前提下学习目标函数？

主要发现

• 该算法实现了 O(√(2^n)) 的运行时间，相较于经典穷举搜索方法展现出二次方的量子加速优势。
• 该算法仅使用示例查询，相较于需要成员资格预言机的经典方法更具实用性。
• 该方法成功将基于傅里叶的学习扩展至量子领域，实现了对相关傅里叶系数的高效提取。
• 该算法无需目标函数的先验知识，适用于未知 DNF 的学习任务。
• 该算法避免了对所有可能输入态制备叠加态，从而与其它量子算法区分开来。
• 该结果在标准假设下经典计算无法实现，表明在此学习设置中存在真正的量子优势。