[论文解读] Quantum basin hopping with gradient-based local optimisation

David Bulger|ArXiv.org|Jul 20, 2005

Quantum Computing Algorithms and Architecture参考文献 13被引用 8

一句话总结

本文將 Jordan 的量子梯度估計方法整合至量子盆地跳躍演算法中，實現在量子架構內高效之梯度驅動局部優化。結果顯示，僅需一次函數評估（與維度無關）的量子梯度估計，可與 Grover 演算法無縫結合，形成混合量子優化方法，同時達成 Grover 的二次加速與維度無關之梯度效率。

ABSTRACT

The quantum basin hopping algorithm for continuous global optimisation combines a local search with Grover's algorithm, and can locate the global optimum using effort proportional to the square root of the number of basins. This article establishes that Jordan's quantum gradient estimation method can be incorporated into the quantum basin hopper, providing an extra acceleration proportional to the domain dimension.

研究动机与目标

• 為解決將量子梯度估計整合至量子盆地跳躍器（一種混合量子-古典全域優化演算法）的挑戰。
• 分析量子梯度估計所帶來的固有不確定性與糾纏態對盆地跳躍架構中 Grover 演算法性能之影響。
• 確立量子梯度估計所引入的誤差可被控制，且不會顯著干擾演算法收斂至全域最優解。
• 展示量子梯度估計相較於古典方法，在領域維度上提供線性加速，使其適用於高維優化問題。
• 驗證將 Grover 的二次加速與維度無關之梯度估計整合於單一量子優化架構中的可行性。

提出的方法

• 採用 Jordan 的量子梯度估計演算法，僅需一次疊加函數評估即可計算函數梯度，且與領域維度無關。
• 將量子梯度估計整合至量子盆地跳躍器的局部搜尋階段，以量子子程序取代古典梯度計算。
• 在盆地跳躍器中應用 Grover 演算法，搜尋目標值低於閾值的區域點，並以量子梯度引導局部下降。
• 透過將誤差分為「大」與「小」兩類，分析量子梯度估計所引入的誤差對 Grover 搜尋振幅之影響。
• 運用振幅界與誤差傳播分析，顯示即使存在量子梯度不確定性，測量次優點的機率仍維持低水平。
• 使用不等式 $\left\langle \gamma \vphantom{G^{k}s} \right| G^{k} \left| \vphantom{\gamma G^{k}} s \right\rangle \geq \frac{1}{\sin\theta}\left(r^{k}\sin(k\eta+\zeta) - 2k\sqrt{N_{\beta}/N}\right)$ 量化在誤差條件下 Grover 搜尋的成功機率。

实验结果

研究问题

• RQ1 量子梯度估計能否在不干擾 Grover 搜尋過程的情況下，有效整合至量子盆地跳躍演算法？
• RQ2 量子梯度估計的固有不確定性對盆地跳躍架構中 Grover 搜尋成功機率之影響為何？
• RQ3 量子梯度估計所產生之「大」與「小」誤差，如何影響混合量子優化演算法之整體效能與收斂性？
• RQ4 能否將梯度估計之量子複雜度優勢（維度恆定）與 Grover 演算法之二次加速及盆地跳躍策略結合，以達成更優越之優化表現？
• RQ5 在何種條件下，量子梯度估計所引入之糾纏態不會顯著降低演算法定位全域最優解之能力？

主要发现

• 即使梯度估計引入量子不確定性，量子盆地跳躍器仍能維持高成功機率，原因在於「大」誤差之振幅極低。
• 「小」誤差僅影響搜尋空間之可忽略子集，且對 Grover 搜尋之整體影響可忽略不計，此點由含 $\sqrt{N_{\beta}/N}$ 之振幅界所證實。
• Grover 搜尋之誤差率約為 $\sqrt{N_{\beta}/N_{\gamma}}$，通常可被控制，且遠低於其他已知誤差來源。
• 量子梯度估計實現維度無關之梯度計算，使複雜度由古典之 $O(d)$ 降低至量子之 $O(1)$，其中 $d$ 為領域維度。
• 將量子梯度估計整合至量子盆地跳躍器在理論上成立，且不會干擾演算法以高機率定位全域最優解之能力。
• 分析結果確認，合併演算法同時達成 Grover 演算法之二次加速與量子梯度估計之維度無關效率，進而形成可擴展之混合量子優化方法。