[论文解读] From Monte Carlo to Quantum Computation

Stefan Heinrich|arXiv (Cornell University)|Dec 23, 2001

Quantum Computing Algorithms and Architecture参考文献 21被引用 5

一句话总结

本文建立了高维积分与序列求和的首个严格量子算法，证明了量子计算相较于经典确定性方法可实现指数级加速，相较于经典随机化（蒙特卡洛）方法可实现二次加速。在 $L_p$ 空间与索博列夫空间中，证明了量子算法的最优误差率，表明在某些情况下，量子方法可将收敛速率指数降低 1，超越了量子幅度放大的预期 1/2 改进。

ABSTRACT

Quantum computing was so far mainly concerned with discrete problems. Recently, E. Novak and the author studied quantum algorithms for high dimensional integration and dealt with the question, which advantages quantum computing can bring over classical deterministic or randomized methods for this type of problem. In this paper we give a short introduction to the basic ideas of quantum computing and survey recent results on high dimensional integration. We discuss connections to the Monte Carlo methology and compare the optimal error rates of quantum algorithms to those of classical deterministic and randomized algorithms.

研究动机与目标

• 研究量子计算在数值问题中的潜力，特别是高维积分与序列求和，这些问题是蒙特卡洛方法的核心。
• 从误差率与计算成本的角度，比较量子算法与经典确定性及随机化（蒙特卡洛）算法的性能。
• 为 $L_p$-函数与索博列夫类建立最优量子算法，并通过匹配的下界证明其最优性。
• 阐明量子计算与蒙特卡洛方法之间的关系，展示如何利用蒙特卡洛启发的技术构造量子算法。

提出的方法

• 基于量子查询复杂度与幅度放大的理论，构建了适用于数值问题的严格量子计算模型。
• 利用量子相位估计算法与幅度估计算法，构造了在 $\mathcal{B}_p^N$ 中计算 $p$-可 summable 序列均值的量子算法。
• 提出一种新颖的离散化方法，从最优求和算法推导出索博列夫空间 $\mathcal{W}_{p,d}^r$ 的积分算法。
• 利用信息复杂度理论推导出量子算法的匹配下界，证明误差率的最优性（对数因子内）。
• 采用量子计数与量子行走技术，分析高维设置下查询复杂度与误差界。
• 通过分析不同函数类与 $p$-范数下，误差率收敛指数随查询次数 $n$ 的变化，比较经典与量子误差率。

实验结果

研究问题

• RQ1 量子算法能否在高维积分问题上对经典确定性算法实现指数级加速？
• RQ2 量子计算在误差收敛速率方面，相较于经典随机化（蒙特卡洛）方法能实现多大程度的改进？
• RQ3 所观察到的收敛速率改进是否源于量子幅度放大，还是存在改进超过预期二次加速的案例？
• RQ4 能否系统性地将序列求和的量子算法扩展至高维区域的积分？
• RQ5 所提出的量子算法是否最优？是否存在其他量子算法可达到相同的误差率？

主要发现

• 对于 $\mathcal{B}_p^N$ 中的 $L_p$-序列，量子算法的误差率为：当 $2 \leq p < \infty$ 时为 $\mathcal{O}(n^{-1})$；当 $1 \leq p < 2$ 且 $n < \sqrt{N}$ 时为 $\mathcal{O}(n^{-2+2/p})$；当 $\sqrt{N} \leq n < N$ 时为 $\mathcal{O}(n^{-2/p}N^{2/p-1})$。
• 在索博列夫空间 $\mathcal{W}_{p,d}^r$ 中，量子算法的误差率为 $\mathcal{O}(n^{-r/d-1})$（$1 \leq p < \infty$，$r/d > 1/p$），相较于经典随机化方法的 $\mathcal{O}(n^{-r/d-1/2})$（当 $p \geq 2$ 时）实现了改进 1，即收敛指数降低 1。
• 当 $p=1$ 时，量子算法的误差率 $\mathcal{O}(n^{-r/d-1})$ 相较于经典确定性方法的 $\mathcal{O}(n^{-r/d})$，收敛指数降低 1，而非仅 1/2，这与早期猜想相矛盾。
• 对于 $\mathcal{B}_1^N$ 中 $\sqrt{N} \leq n < cN$ 的情形，量子误差率为 $\mathcal{O}(n^{-2}N)$，相较于经典随机化方法的 $\mathcal{O}(1)$ 上限有显著改进。
• 所有情况下均证明了匹配的下界，表明定理 5 与 6 中的误差率在对数因子内达到最优。
• 结果表明，量子计算可对确定性算法实现指数加速，对蒙特卡洛方法实现二次加速，且在某些情况下，改进程度超过幅度放大的预期 1/2。