[论文解读] A Query-Efficient Quantum Algorithm for Maximum Matching on General Graphs

Shelby Kimmel, R. Teal Witter|arXiv (Cornell University)|Oct 5, 2020

Quantum Computing Algorithms and Architecture参考文献 19被引用 3

一句话总结

本文提出了一种用于一般图上最大匹配的量子算法，在邻接矩阵模型中实现 O(n⁷/⁴) 的查询复杂度，在邻接表模型中实现 O(n³/⁴√(m + n)) 的查询复杂度，与二分图的最佳已知界限一致。该方法结合了 Gabow 的经典最大匹配算法与 Beigi 和 Taghavi 的猜测树方法，通过精细调整经典算法，在保持正确性的同时最小化查询次数。

ABSTRACT

We design quantum algorithms for maximum matching. Working in the query model, in both adjacency matrix and adjacency list settings, we improve on the best known algorithms for general graphs, matching previously obtained results for bipartite graphs. In particular, for a graph with $n$ nodes and $m$ edges, our algorithm makes $O(n^{7/4})$ queries in the matrix model and $O(n^{3/4}(m+n)^{1/2})$ queries in the list model. Our approach combines Gabow's classical maximum matching algorithm [Gabow, Fundamenta Informaticae, '17] with the guessing tree method of Beigi and Taghavi [Beigi and Taghavi, Quantum, '20].

研究动机与目标

• 弥合一般图上最大匹配的古典平凡查询复杂度与量子查询复杂度之间的差距。
• 将此前仅适用于二分图的最佳已知量子查询界限扩展至一般图。
• 开发一种查询高效的量子算法，使其性能与先前针对二分图的量子算法相当。
• 以一种保持查询效率的方式，将 Gabow 的经典最大匹配算法与猜测树方法相结合。

提出的方法

• 通过识别查询密集型步骤并最小化其数量，将 Gabow 的经典最大匹配算法适配到量子设置中。
• 应用 Beigi 和 Taghavi 的猜测树方法，系统性地探索潜在的增广路径，同时减少查询开销。
• 引入一种精细化的猜测方案，利用决策树结构追踪猜测的正确性，确保仅执行必要的查询。
• 使用保持路径的深度优先搜索来检测增广路径、花结构以及增长步骤，同时控制错误猜测的数量。
• 实现一种经典记录机制，通过追踪先前查询结果来避免重复查询。
• 利用邻接矩阵或邻接表预言机实现对图的量子查询访问，确保不会重复执行查询。

实验结果

研究问题

• RQ1 能否通过量子计算将一般图上最大匹配的查询复杂度降低至古典 O(n²) 和 O(m) 边界以下？
• RQ2 是否可能在一般图上实现与此前仅在二分图中达成的相同查询复杂度？
• RQ3 如何对 Gabow 的经典算法进行调整，以在保持正确性的同时最小化量子查询次数？
• RQ4 在应用于含花结构的非二分图时，猜测树方法需要进行哪些修改以确保效率？
• RQ5 经典匹配算法与量子猜测树的结合能否实现最优的查询复杂度？

主要发现

• 在邻接矩阵模型中，该算法实现了 O(n⁷/⁴) 的查询复杂度，与二分图的最佳已知界限一致。
• 在邻接表模型中，该算法使用 O(n³/⁴√(m + n)) 次查询，同样与此前二分图的结果一致。
• 猜测树中错误猜测的数量被限制在 O(n√n) 以内，这对实现最终的查询复杂度界限至关重要。
• 该算法通过在量子查询框架内检测并处理花结构，成功处理了非二分图。
• 该方法统一了最大匹配问题在二分图与一般图上的量子查询复杂度结果。
• 该工作缩小了当前最佳上界 O(n⁷/⁴) 与现有量子查询下界 O(n³/²) 之间的差距。