[论文解读] Quantum Computer as a Probabilistic Inference Engine

Robert R. Tucci|ArXiv.org|Apr 6, 2000

Quantum Computing Algorithms and Architecture参考文献 5被引用 5

一句话总结

本文提出了一类新型量子算法，将标准量子计算方法推广至贝叶斯网络中的一般概率分布估计。通过将可逆经典电路的Fredkin-Toffoli构造方法扩展至随机网络，该方法使量子计算机能够通过量子贝叶斯网络计算经典贝叶斯网络中的条件概率，并在结合Grover算法以增强罕见概率时实现潜在加速。

ABSTRACT

We propose a new class of quantum computing algorithms which generalize many standard ones. The goal of our algorithms is to estimate probability distributions. Such estimates are useful in, for example, applications of Decision Theory and Artificial Intelligence, where inferences are made based on uncertain knowledge. The class of algorithms that we propose is based on a construction method that generalizes a Fredkin-Toffoli (F-T) construction method used in the field of classical reversible computing. F-T showed how, given any binary deterministic circuit, one can construct another binary deterministic circuit which does the same calculations in a reversible manner. We show how, given any classical stochastic network (classical Bayesian net), one can construct a quantum network (quantum Bayesian net). By running this quantum Bayesian net on a quantum computer, one can calculate any conditional probability that one would be interested in calculating for the original classical Bayesian net. Thus, we generalize the F-T construction method so that it can be applied to any classical stochastic circuit, not just binary deterministic ones. We also show that, in certain situations, our class of algorithms can be combined with Grover's algorithm to great advantage.

研究动机与目标

• 开发一种量子计算框架，将标准算法推广至估计任意概率分布（而不仅限于确定性分布）。
• 将Fredkin-Toffoli方法在可逆经典电路构造中的应用扩展至经典随机网络（即贝叶斯网络），以实现概率推理的量子模拟。
• 通过构建单位酉电路形式的量子贝叶斯网络（QB nets），使量子计算机能够计算经典贝叶斯网络中的条件概率。
• 探索将这些量子推理算法与Grover算法结合，以增强微小且通常不可测量的概率。
• 为量子编译器提供基础，将量子贝叶斯网络转换为基本量子操作序列（SEO）。

提出的方法

• 本文通过构建任何经典贝叶斯网络（CB net）的量子嵌入（q-embedding），推广了Fredkin-Toffoli方法，将其转化为保留原始条件概率分布的量子贝叶斯网络（QB net）。
• 对于CB网络中的每个随机节点，该方法构建一个酉矩阵，通过D-矩阵表示噪声二元门，通过数算符表示目标状态投影，实现条件概率分布的q-嵌入。
• q-embedding通过受控旋转和相位操作将条件概率表示为酉变换实现，关键组件如$ \Pi_{\text{targ}} $表示对目标状态的投影算符之和。
• QB net通过量子编译器转换为基本量子操作序列（SEO），从而可在实际量子硬件上执行。
• 对于罕见概率估计，该方法引入了“Grover显微镜”——一种经修改的QB net，利用Grover型扩散机制增强微小概率，提升其可测量性。
• 该方法使用符号表示法，包括$ \theta(\mathcal{S}) $、$ \delta(x,y) $、$ \oplus $和$ bin(x) $，并定义$ dec(\vec{x}) $将二进制字符串映射为整数，用于量子态的索引。

实验结果

研究问题

• RQ1 可否将用于可逆经典电路的Fredkin-Toffoli构造方法推广至随机（概率性）经典电路？
• RQ2 如何利用量子计算机估计经典贝叶斯网络中的任意条件概率？
• RQ3 能够q-嵌入经典贝叶斯网络条件概率分布的单位酉量子电路具有何种结构？
• RQ4 能否将Grover算法与量子推理框架结合，以增强微小且不可测量的概率？
• RQ5 如何使量子编译器将量子贝叶斯网络转换为可用于物理实现的基本量子操作序列？

主要发现

• 本文成功将Fredkin-Toffoli构造推广至随机电路，实现了量子贝叶斯网络（QB nets）的构建，可模拟任意经典贝叶斯网络。
• 经典贝叶斯网络中的条件概率被q-嵌入为酉矩阵，如$ U_{OR-like} $和$ U_{multi-targ} $，这些矩阵可在量子计算机上实现。
• 该方法可估计一般概率分布，而不仅限于确定性分布，因此适用于具有不确定知识的决策理论与人工智能应用。
• 对于罕见概率，通过“Grover显微镜”构造可利用修改后的QB net增强其幅度，实现在直接模拟失败时仍可测量。
• 通过D-矩阵实现了对噪声门（如噪声OR、AND、CNOT）的q-嵌入，这些D-矩阵可利用已知编译技术分解为基本量子操作序列。
• 该框架为将任意经典随机网络系统性地映射为单位酉量子电路提供了方法，明确给出了概率矩阵的表达式，如$ P(y|\vec{x}) = \sum_{\vec{t}} \delta(y,f(\vec{t})) \prod_{\alpha} P(t^{\alpha}|x^{\alpha}) $。