[论文解读] Quantum Algorithm for k-distinctness with Prior Knowledge on the Input

Aleksandrs Belovs, Troy Lee|arXiv (Cornell University)|Aug 15, 2011

Quantum Computing Algorithms and Architecture参考文献 13被引用 26

一句话总结

本文提出了一种量子算法来解决 $k$-distinctness 问题，通过利用输入中 $t$-元组（$1 \leq t \leq k-1$）的先验知识，实现了 $O(n^{1-2^{k-2}/(2^k-1)})$ 的量子查询复杂度。借助学习图框架与对偶敌对界限技术，该算法在 $k > 2$ 时优于标准的 $O(n^{k/(k+1)})$ 边界，当存在先验结构知识时，实现了亚 $n^{3/4}$ 的复杂度。

ABSTRACT

It is known that the dual of the general adversary bound can be used to build quantum query algorithms with optimal complexity. Despite this result, not many quantum algorithms have been designed this way. This paper shows another example of such algorithm. We use the learning graph technique from arXiv:1105.4024 to give a quantum algorithm for $k$-distinctness problem that runs in $o(n^{3/4})$ queries, for a fixed $k$, given some prior knowledge on the structure of the input. The best known quantum algorithm for the unconditional problem uses $O(n^{k/(k+1)})$ queries.

研究动机与目标

• 开发一种在已知输入结构先验知识条件下，改进复杂度的 $k$-distinctness 问题的量子查询算法。
• 证明对 $t$-元组数量（$1 \leq t \leq k-1$）的先验知识可使固定 $k$ 的 $k$-distinctness 问题实现亚 $n^{3/4}$ 查询复杂度。
• 通过在弧权重中引入变量值信息，将学习图方法扩展至标准应用之外。
• 通过使用对偶敌对界限，解决基于跨度程序算法的对数级开销这一开放问题。
• 探索是否所有 1-证书复杂度为常数的函数均可实现 $o(n^{3/4})$ 次查询，从而推广已知结果。

提出的方法

• 该算法使用学习图模型，在表示输入变量部分赋值的顶点集序列上构建流。
• 利用关于输入中 $t$-元组数量的先验知识（精度为 $O(n^{1/4})$）来指导学习图的构建。
• 该构造利用对偶敌对界限作为比跨度程序更通用的框架，可实现最优查询复杂度（至多常数因子）。
• 关键组成部分包括将 $t$-子元组定义为相等元素的最大集合，并基于变量值对学习图中的弧进行加权。
• 分析依赖于通过顶点类型间距离来界定等价弧之间的流比率，并利用引理 20–23 的集中不等式。
• 通过证明 $\Omega(1)$ 的顶点为典型顶点，且等价弧之间的流差异不超过常数因子，确立了流的特异性和对称性。

实验结果

研究问题

• RQ1 对输入中 $t$-元组数量的先验知识是否可使 $k$-distinctness 问题的量子查询复杂度低于 $O(n^{3/4})$？
• RQ2 在学习图弧权重中引入变量值是否相较于无权重构造具有计算优势？
• RQ3 对偶敌对界限是否足以实现 $k$-distinctness 问题在先验知识下的最优查询复杂度？
• RQ4 是否可将 $o(n^{3/4})$ 的查询复杂度推广至所有 1-证书复杂度为常数的函数？
• RQ5 在已知先验结构知识的条件下，$k$-distinctness 问题的最紧可能查询复杂度是多少？

主要发现

• 当对 $t$-元组（$1 \leq t \leq k-1$）的先验知识精度为 $O(n^{1/4})$ 时，该算法在 $k$-distinctness 问题上实现了 $O(n^{1-2^{k-2}/(2^k-1)})$ 的量子查询复杂度。
• 对于所有 $k > 2$，该查询复杂度严格低于 $O(n^{3/4})$，且随着 $k$ 增大，指数逐渐减小。
• 证明了对偶敌对界限足以构造最优的量子查询算法，解决了以往基于跨度程序方法存在的对数级开销问题。
• 通过使用变量值对学习图中的弧进行加权，增强了学习图构造，该方法在 $k$-distinctness 等对称问题中被证明具有优势。
• 学习图中的流几乎具有对称性，对于步骤 $(i,j,l)$，其特异性被限制在 $O(n / r_{l-1})$ 以内，确保了分析的稳健性与正确性。
• 结果表明，带有先验知识的 $k$-distinctness 问题可在 $o(n^{3/4})$ 次查询内求解，相较于一般情况下的 $O(n^{k/(k+1)})$ 边界，实现了显著改进。