[论文解读] Memory Compression with Quantum Random-Access Gates

Harry Buhrman, Bruno Loff+2 more|arXiv (Cornell University)|Jan 1, 2022

Quantum Computing Algorithms and Architecture被引用 2

一句话总结

本文提出了一种量子内存压缩技术，可使用 O(m log M) 量子比特模拟任意 m-稀疏的量子算法（即在任何时间点仅有 m 个量子比特非零），时间开销为 Õ(T log(T/ε)）。该方法利用量子基数树高效模拟稀疏量子随机存取存储器（QRAM）操作，实现显著的内存节省，同时保持运行效率。其核心贡献是一项通用的黑箱模拟定理，通过允许研究人员先构建简单、稀疏的数据结构，再通过主定理进行压缩，从而简化了空间高效量子算法的设计。

ABSTRACT

In the classical RAM, we have the following useful property. If we have an algorithm that uses M memory cells throughout its execution, and in addition is sparse, in the sense that, at any point in time, only m out of M cells will be non-zero, then we may "compress" it into another algorithm which uses only m log M memory and runs in almost the same time. We may do so by simulating the memory using either a hash table, or a self-balancing tree. We show an analogous result for quantum algorithms equipped with quantum random-access gates. If we have a quantum algorithm that runs in time T and uses M qubits, such that the state of the memory, at any time step, is supported on computational-basis vectors of Hamming weight at most m, then it can be simulated by another algorithm which uses only O(m log M) memory, and runs in time Õ(T). We show how this theorem can be used, in a black-box way, to simplify the presentation in several papers. Broadly speaking, when there exists a need for a space-efficient history-independent quantum data-structure, it is often possible to construct a space-inefficient, yet sparse, quantum data structure, and then appeal to our main theorem. This results in simpler and shorter arguments.

研究动机与目标

• 开发一种通用方法，用于压缩在内存中稀疏的量子算法，即在任何时间步长仅有 m 个量子比特非零。
• 提供一种黑箱模拟技术，将量子比特需求从 M 降低至 O(m log M)，同时保持接近最优的运行时间。
• 通过允许使用简单、稀疏的数据结构，随后通过主定理进行压缩，简化空间高效量子算法的设计。
• 通过简化现有量子算法中的证明，展示该定理的实际效用，包括元素唯一性、最近点对以及 3SUM 归约。

提出的方法

• 核心方法使用量子基数树表示稀疏量子内存状态，实现对非零基态的高效访问与操作。
• 基数树在汉明权重 ≤ m 的计算基态上构建，内部节点存储标志位，叶节点存储状态标签。
• 在每个叶节点处使用前缀和树，以追踪子树中非零振幅的数量，从而实现高效的更新与查询。
• 通过在基数树结构上施加受控酉操作，模拟原始算法的量子随机存取门操作。
• 通过仔细管理树中振幅传播与标志位更新，将时间复杂度控制在 Õ(T log(T/ε) log M) 以内，误差为 ε。
• 该方法假设对 O(log M) 位块的基本操作成本为 O(1)，这在经典 RAM 模型中是标准假设。

实验结果

研究问题

• RQ1 能否使用显著更少的量子比特，模拟一个使用 M 个量子比特但为 m-稀疏（汉明权重 ≤ m）的量子算法？
• RQ2 是否存在一种通用且可重用的方法，可将稀疏量子算法压缩为节省空间的模拟，而无需重新设计整个算法？
• RQ3 量子基数树能否用于在稀疏场景下实现高效、低误差的量子随机存取存储器操作模拟？
• RQ4 在多大程度上，可以将复杂的空间高效数据结构替换为更简单的稀疏结构，再通过压缩实现？
• RQ5 该压缩方法的时间开销如何随原始算法运行时间及所需容错精度而变化？

主要发现

• 任何使用时间 T 和 M 个量子比特的 m-稀疏量子算法，可在误差 ε 下使用 O(m log M) 个量子比特和 Õ(T log(T/ε) log M) 的时间进行模拟。
• 主定理实现了对稀疏量子算法的黑箱压缩，使研究人员可先使用简单但非空间高效的结构，再通过高效压缩实现优化。
• 使用量子基数树可实现对量子随机存取门的高效模拟，当 d = O(1) 时，插入、删除和查询等操作的运行时间可控制在 O(log n)。
• 若假设基本 O(log M)-位操作的成本为 O(1)，则时间开销中的 log M 因子可被消除，这在经典 RAM 模型中是标准假设。
• 该方法简化了三篇重要量子算法论文中的证明：Ambainis 的元素唯一性、最近点对算法，以及细粒度量子复杂性归约，显著缩短了证明长度与复杂度。
• 该技术已将一个关于空间高效数据结构的 12 页证明，简化为仅 4 页，通过使用简单稀疏数据结构并应用主定理进行压缩。