[论文解读] A statistical mechanics approach to the factorization problem

P. Henelius, S. M. Girvin|arXiv (Cornell University)|Feb 7, 2011

Computability, Logic, AI Algorithms参考文献 4被引用 6

一句话总结

本文将整数分解映射为一种具有指数级宽耦合的受挫长程伊辛自旋模型，表明由于能量景观极度粗糙且缺乏局域能量结构，标准蒙特卡洛方法与量子退火方法的复杂度均呈指数级增长。尽管该模型被设计为在基态中编码质因数，但所有测试的经典与量子算法表现均不优于随机搜索，凸显了通过统计物理方法实现高效求解的根本障碍。

ABSTRACT

We map the problem of finding the prime factors of an integer to the statistical physics problem of finding the ground state of a long-range Ising-like model. As in the strongly disordered Newman-Stein (NS) spin-glass model, the bond distribution is exponentially wide and grows with system size, but unlike the NS model we find that it is not wide enough for a greedy algorithm to be applicable. On the other hand, we also find that the frustration and exponential width of the bond distribution renders classical and quantum annealing and tempering methods no faster than a random search for this challenging model.

研究动机与目标

• 将整数分解问题重新表述为一个统计力学问题，利用伊辛自旋表示质因数的二进制数位。
• 研究已知的蒙特卡洛方法与量子退火方法是否能通过该映射高效求解分解问题。
• 理解为何尽管该问题具有结构性，标准优化技术仍在此问题上失效。
• 评估贪婪算法、退火与量子退火在高度受挫的长程自旋系统中的可行性。
• 将该模型确立为复杂优化问题中基态算法测试的基准。

提出的方法

• 将每个质因数表示为一串二进制自旋，通过约束 $ q = \sum_{i,j} 2^{i+j} S^1_i S^2_j $ 构成长程伊辛哈密顿量。
• 定义代价函数 $ H_m = \left| q - \sum_{i,j} 2^{i+j} S^1_i S^2_j \right|^m $，其中 $ m=1,2 $，作为蒙特卡洛模拟的有效哈密顿量。
• 应用经典马尔可夫链蒙特卡洛方法，结合单自旋更新、并行退火与重要性采样，以探索能量景观。
• 通过路径积分蒙特卡洛实现虚时量子退火，利用横向场项驱动量子隧穿。
• 采用混合哈密顿量 $ H = s|q - \text{product}| + (s-1)h\sum(S^+_i + S^-_i) $ 模拟量子退火动力学。
• 测试收敛时间随系统尺寸 $ n $ 的缩放行为，测量达到30%基态搜索成功率所需的MC步数。

实验结果

研究问题

• RQ1 整数分解问题能否被有效映射为具有已知基态的统计力学模型？
• RQ2 由于键强分布广泛，贪婪算法是否能在此模型中成功，如同在其他无序系统中一样？
• RQ3 尽管能量景观复杂，经典退火或退火方法能否高效找到基态？
• RQ4 通过虚时路径积分模拟的量子退火是否能改善经典方法的缩放性能？
• RQ5 该模型中是否存在有限温度自旋玻璃相变，可能稳定基态？

主要发现

• 所有测试的经典与量子退火方法均随系统尺寸呈指数级复杂度，性能不优于随机搜索。
• 单自旋翻转引起的能量变化具有指数级宽分布，导致标准重要性采样失效，其行为类似于随机搜索。
• 尽管键强分布为指数级宽，但其宽度仍不足以使贪婪算法成功，甚至近似成功亦不可行。
• 该模型在自旋空间中不具有局域结构：几乎相同的自旋构型可能具有截然不同的能量，破坏了局域能量平滑性的假设。
• 基态能量通过构造已知，使该模型成为测试基态算法的强大基准。
• 即使在量子退火模拟下，找到基态所需MC步数的缩放仍为指数级，表明在此表述中不存在多项式加速。