[论文解读] New Results on Quantum Property Testing

Sourav Chakraborty, Eldar Fischer+2 more|arXiv (Cornell University)|May 4, 2010

Quantum Computing Algorithms and Architecture参考文献 29被引用 6

一句话总结

本文提出了用于属性测试的量子算法，相较于经典方法实现了显著的加速。它引入了一种量子测试器，通过oracle查询比较一个未知分布与一个已知分布，仅需 $ m^{1/3} $ 次查询——已被证明近乎最优，而经典方法需要 $ \sqrt{m} $ 的复杂度。此外，通过Shor算法，该研究在周期性检测中实现了常数与多项式之间的量子加速，与经典方法的 $ n^{1/4} $ 查询复杂度形成对比。

ABSTRACT

We present several new examples of speed-ups obtainable by quantum algorithms in the context of property testing. First, motivated by sampling algorithms, we consider probability distributions given in the form of an oracle $f:[n] o[m]$. Here the probability $\PP_f(j)$ of an outcome $j\in[m]$ is the fraction of its domain that $f$ maps to $j$. We give quantum algorithms for testing whether two such distributions are identical or $ε$-far in $L_1$-norm. Recently, Bravyi, Hassidim, and Harrow \cite{BHH10} showed that if $\PP_f$ and $\PP_g$ are both unknown (i.e., given by oracles $f$ and $g$), then this testing can be done in roughly $\sqrt{m}$ quantum queries to the functions. We consider the case where the second distribution is known, and show that testing can be done with roughly $m^{1/3}$ quantum queries, which we prove to be essentially optimal. In contrast, it is known that classical testing algorithms need about $m^{2/3}$ queries in the unknown-unknown case and about $\sqrt{m}$ queries in the known-unknown case. Based on this result, we also reduce the query complexity of graph isomorphism testers with quantum oracle access. While those examples provide polynomial quantum speed-ups, our third example gives a much larger improvement (constant quantum queries vs polynomial classical queries) for the problem of testing periodicity, based on Shor's algorithm and a modification of a classical lower bound by Lachish and Newman \cite{lachish&newman:periodicity}. This provides an alternative to a recent constant-vs-polynomial speed-up due to Aaronson \cite{aaronson:bqpph}.

研究动机与目标

• 开发在属性测试中优于经典查询复杂度的量子算法，尤其针对分布测试和周期性检测。
• 弥合量子模型中已知-未知与未知-未知分布测试之间的差距，其中经典方法存在显著差异。
• 在周期性测试中展示大规模量子加速，表明常数查询复杂度相较于多项式复杂度的经典方法具有优势。
• 为分布测试与重构建立量子下界，证明所提量子算法的最优性。

提出的方法

• 使用已知的量子子程序——特别是幅度放大和近似计数——作为经典测试框架中的构建模块。
• 应用分桶技术将元素按频率分组，以实现对分布参数的高效量子估计。
• 采用Lachish和Newman的经典下界方法的修改版本，证明已知-未知分布测试的量子查询下界为 $ \Omega(m^{1/3}) $。
• 利用Shor算法检测函数中的周期性，仅需 $ O(1) $ 次量子查询，通过量子傅里叶采样识别周期。
• 结合素数定理与概率分析，构造经典算法难以区分的困难实例，表明 $ o(\sqrt{r/\log r \log n}) $ 次查询无法以高概率区分周期性与非周期性函数。
• 分析在均匀分布与结构化先验下的查询分布，以界定变差距离，并证明在有限查询访问下分布的不可区分性。

实验结果

研究问题

• RQ1 量子算法是否能在属性测试中实现超多项式加速，而不仅限于多项式改进？
• RQ2 测试通过oracle访问的未知分布与已知分布之间接近性的最优量子查询复杂度是多少？
• RQ3 量子算法能否在周期性测试中实现常数查询复杂度，与经典下界相比如何？
• RQ4 在量子模型中，已知-未知分布测试问题是否能像未知-未知情形一样高效求解？

主要发现

• 测试未知分布（通过oracle）与已知分布之间接近性的量子查询复杂度为 $ O(m^{1/3}) $，并通过 $ \Omega(m^{1/3}) $ 的量子下界证明其本质上最优。
• 相比之下，经典算法在已知-未知情形下需要 $ \Theta(\sqrt{m}) $ 次查询，显示出多项式级别的量子加速。
• 在周期性测试中，使用Shor算法的量子算法仅需 $ O(1) $ 次查询，而经典算法需要 $ \Omega(n^{1/4}) $ 次查询，展示了常数与多项式之间的加速。
• 本文证明，经典模型中已知-未知情形比未知-未知情形更简单（$ \sqrt{m} $ 与 $ m^{2/3} $），但表明量子算法可以弥合这一复杂度差距。
• 已知-未知分布测试的量子下界为 $ \Omega(m^{1/3}) $，与上界一致，确认了所提算法的最优性。
• 结果可推广至图同构测试，在拥有量子oracle访问时，通过利用新的分布测试工具降低了查询复杂度。