[论文解读] Quantum algorithms for approximating the effective resistances of electrical networks.

Guoming Wang|arXiv (Cornell University)|Nov 8, 2013

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

一句话总结

本文提出两种量子算法，可在时间复杂度为 log n、d、c、1/φ 和 1/ε 的多项式函数内近似计算电气网络中的等效电阻，其中 n 为顶点数，d 为最大度数，c 为电阻比，φ 为扩展性，ε 为误差容限。这些算法利用量子线性代数技术——特别是拉普拉斯矩阵求逆与核投影——在有利条件下实现相对于经典方法的指数级加速，且在 1/φ 的依赖关系上被证明为最优。

ABSTRACT

The theory of electrical network has many applications in algorithm design and analysis. It is an important task to compute the basic quantities about electrical networks, such as electrical flows and effective resistances, as quickly as possible. Classically, to compute these quantities, one basically need to solve a Laplacian linear system, and the best known algorithms take Õ(m) time, where m is the number of edges. In this paper, we present two quantum algorithms for approximating the effective resistance between any two vertices in an electrical network. Both of them have time complexity polynomial in logn, d, c, 1/φ and 1/ε, where n is the number of vertices, d is the maximum degree of the vertices, c is the ratio of the largest to the smallest edge resistance, φ is the expansion of the network, and ε is the relative error. In particular, when d and c are small and φ is large, our algorithms run very fast. In contrast, it is unknown whether classical algorithms can solve this case very fast. Furthermore, we prove that the polynomial dependence on the inverse expansion (i.e. 1/φ) is necessary. As a consequence, our algorithms cannot be significantly improved. Finally, as a by-product, our second algorithm also produces a quantum state approximately proportional to the electrical flow between any two vertices, which might be of independent interest. Our algorithms are based on using quantum tools to analyze the algebraic properties of graph-related matrices. While one of them relies on inverting the Laplacian matrix, the other relies on projecting onto the kernel of the weighted incidence matrix. It is hopeful that more quantum algorithms can be developed in similar way. 1

研究动机与目标

• 开发比经典方法更高效计算电气网络中等效电阻的量子算法。
• 解决求解拉普拉斯线性系统这一计算瓶颈，该问题在经典方法中需要 Õ(m) 时间，其中 m 为边数。
• 探究量子算法在计算基本网络量（如等效电阻和电流分布）时是否能实现显著加速。
• 建立时间复杂度对逆扩展性（1/φ）依赖关系的最优性，证明该缩放无法进一步改进。
• 将两个顶点之间的电流分布的量子态作为副产品生成，该量子态可能具有更广泛的应用。

提出的方法

• 第一种算法使用量子相位估计算法与振幅估计算法来求逆拉普拉斯矩阵，从而通过谱性质近似等效电阻。
• 第二种算法利用量子奇异值变换对加权关联矩阵的核空间进行投影，避免了直接的矩阵求逆。
• 两种算法均依赖于量子工具分析图相关矩阵（如拉普拉斯矩阵和关联矩阵）的代数结构。
• 时间复杂度在 log n、d、c、1/φ 和 1/ε 上为多项式关系，且对 1/φ 的依赖关系被证明是必要且最优的。
• 使用振幅估计算法以实现对等效电阻近似中所需的相对误差 ε。
• 第二种算法额外生成一个与两个顶点之间电流分布成比例的量子态，利用了解空间的结构。

实验结果

研究问题

• RQ1 与经典方法相比，量子算法是否能在近似电气网络中的等效电阻时实现指数级加速？
• RQ2 时间复杂度对网络扩展性 φ 的最优依赖关系是什么？1/φ 是否为最佳可能的缩放？
• RQ3 能否设计出量子算法，使其能同时近似等效电阻并制备编码电流分布的量子态？
• RQ4 这些算法的性能特征如何依赖于最大度数 d、电阻比 c 和误差容限 ε 等结构参数？
• RQ5 是否存在可系统性应用于分析图矩阵代数性质（超越拉普拉斯矩阵）的量子技术？

主要发现

• 所提出的量子算法在 log n、d、c、1/φ 和 1/ε 上的时间复杂度为多项式，对于具有有利参数的稀疏网络，显著优于经典方法的 Õ(m) 时间复杂度。
• 当 d 和 c 较小且 φ 较大时，这些算法相对于经典方法实现指数级加速，表明量子优势在该参数区域内最为显著。
• 对 1/φ 的依赖关系被证明是必要的，意味着在扩展性缩放方面无法对算法进行显著改进。
• 第二种算法生成一个与两个顶点之间电流分布成比例的量子态，可能在后续的量子机器学习或图算法中具有应用价值。
• 结果表明，量子线性代数技术可有效应用于分析图矩阵，为网络分析中进一步发展量子算法开辟了道路。
• 理论分析确认，时间复杂度在 1/φ 方面无法进一步改进，确立了该问题资源成本的下限。