[论文解读] Fast Quantum Modular Exponentiation Architecture for Shor's Factorization Algorithm

Archimedes Pavlidis, Dimitris Gizopoulos|arXiv (Cornell University)|Jul 2, 2012

Quantum Computing Algorithms and Architecture被引用 14

一句话总结

本文提出了一种针对秀尔因数分解算法的快速、深度优化的量子模幂运算架构，利用德雷珀的基于QFT的加法器构建高效的量子乘法器和除法器（常数除法）。该设计仅使用9n+2量子比特，实现了约2000n²的电路深度和1600n³的总量子代价；通过采用近似QFT实现，电路深度可进一步降低三倍以上。

ABSTRACT

We present a novel and efficient in terms of circuit depth design for Shor's quantum factorization algorithm. The circuit effectively utilizes a diverse set of adders based on the quantum Fourier transform (QFT) Draper's adders to build more complex arithmetic blocks: quantum multiplier/accumulators by constants and quantum dividers by constants. These arithmetic blocks are effectively architected into a generic modular quantum multiplier which is the fundamental block for modular exponentiation circuit, the most computational intensive part of Shor's algorithm. The proposed modular exponentiation circuit has a depth of about $2000n^{2}$ and requires $9n+2$ qubits, where $n$ is the number of bits of the classical number to be factored. The total quantum cost of the proposed design is $1600n^{3}$. The circuit depth can be further decreased by more than three times if the approximate QFT implementation of each adder unit is exploited.

研究动机与目标

• 降低秀尔因数分解算法中最耗计算资源的模幂运算的电路深度。
• 设计一种基于QFT加法器的高效量子算术架构，用于常数乘法和除法。
• 在保持大规模因数分解高计算效率的前提下，最小化量子比特需求。
• 通过优化资源使用，使秀尔算法能够在近期量子硬件上实现实际应用。
• 探索近似QFT对降低电路深度的影响，同时不牺牲准确性。

提出的方法

• 作者采用德雷珀的量子傅里叶变换（QFT）- 基于加法器作为构建模块，用于构建量子算术电路。
• 他们利用QFT加法器设计了用于常数的量子乘法器/累加器和除法器电路，以实现高效的模运算。
• 这些组件被集成到一个通用的量子模乘法器中，该模乘法器是秀尔算法中模幂运算的核心。
• 模幂运算电路在合成时重点关注最小化电路深度和量子比特数量。
• 该设计在每个加法器单元中利用了近似QFT实现，使深度进一步降低三倍以上。
• 对架构进行了形式化分析，评估其量子代价、深度和量子比特需求，结果通过电路合成与复杂度分析得到验证。

实验结果

研究问题

• RQ1 如何在电路深度和量子比特数量方面提高量子模幂运算的效率？
• RQ2 将基于QFT的加法器最优地集成到更高层次的算术模块（如乘法器和除法器）中的方法是什么？
• RQ3 在多大程度上，近似QFT实现可以降低模幂运算电路的深度？
• RQ4 能否设计出一种可扩展的、低深度的量子架构，用于基于常数算术运算的秀尔因数分解？
• RQ5 在模幂运算电路中应用近似QFT时，精度与深度之间的权衡关系如何？

主要发现

• 所提出的模幂运算电路对n比特被分解数的深度约为2000n²。
• 该设计仅需9n+2个量子比特，与先前方法相比显著降低了资源开销。
• 电路的总量子代价为1600n³，实现了深度与资源使用之间的高效平衡。
• 在加法器单元中采用近似QFT实现，使电路深度降低超过三倍。
• 该架构具有可扩展性，由于其低深度和适中的量子比特数量，适合在近期量子处理器上实现。
• 将基于QFT的加法器集成到常数算术模块中，显著提升了模幂运算的效率，而模幂运算是秀尔算法的核心。