[论文解读] Learning simulator for quantum-algorithm design

Jeongho Bang, Junghee Ryu+3 more|arXiv (Cornell University)|Jan 7, 2013

Quantum Computing Algorithms and Architecture被引用 1

一句话总结

本文提出了一种量子-经典混合模拟器，通过经典‘教师’指导量子‘学生’算法来解决基于预言机的问题。利用蒙特卡洛模拟，结果表明学习时间与参数数量的平方根成比例——显著快于经典机器学习方法所表现出的指数级增长。

ABSTRACT

We propose a method for algorithm design assisted by machine learning. The method uses a quantum-classical hybrid simulator, where a quantum student is being taught by a teacher. In other words, in our method, the learning system is supposed to evolve into a algorithm for a given problem assisted by classical main-feedback system. Our method is applicable to design oracle-based algorithm. As a case study, we chose an oracle decision problem, called a Deutsch-Jozsa problem. We showed by using Monte-Carlo simulations that our simulator can faithfully learn algorithm to solve the problem for given oracle. Remarkably, learning time is proportional to the square root of the total number of parameters instead of the exponential dependance found in the classical machine learning based method.

研究动机与目标

• 开发一种基于机器学习的量子算法设计方法，其学习效率优于经典方法。
• 解决经典机器学习在量子算法设计中面临的指数级扩展问题。
• 通过教师-学生框架实现对基于预言机的量子算法的高效学习。
• 在基准量子问题——Deutsch-Jozsa问题上验证该方法。
• 证明学习时间随参数数量的增加呈次指数级增长，具体为参数数量的平方根。

提出的方法

• 该方法采用量子-经典混合模拟器，其中量子系统（‘学生’）在经典反馈系统（‘教师’）的指导下学习解决问题。
• 教师基于学生量子线路的表现提供主要反馈，指导参数更新。
• 学习过程通过蒙特卡洛模拟实现，以评估量子线路向正确解演化的动态过程。
• 该方法专门针对诸如Deutsch-Jozsa问题等基于预言机的决策问题设计。
• 通过反馈迭代调整量子学生的线路，以最小化对预言机响应分类的误差。
• 该方法利用量子叠加和纠缠，比经典方法更高效地探索解空间。

实验结果

研究问题

• RQ1 量子-经典混合模拟器能否有效指导量子算法解决基于预言机的问题？
• RQ2 与经典机器学习相比，该方法的学习时间如何随参数数量变化？
• RQ3 该方法在量子算法设计中是否实现学习时间的次指数级增长？
• RQ4 该模拟器能否通过经典教师的反馈可靠地学习Deutsch-Jozsa问题的正确解？
• RQ5 与经典机器学习相比，该方法在收敛速度方面有何性能优势？

主要发现

• 所提出的模拟器成功利用蒙特卡洛模拟学习了用于解决Deutsch-Jozsa问题的量子算法。
• 学习时间与总参数数量的平方根成比例，表明相比经典方法有显著改进。
• 该方法避免了经典机器学习方法在量子算法设计中通常出现的指数级扩展。
• 教师-学生框架实现了对量子线路的高效反馈驱动优化。
• 结果表明对预言机响应的忠实学习，证实了该方法在基于预言机问题上的可靠性。
• 次指数级增长表明该方法在设计复杂量子算法方面具有广泛应用潜力。