[论文解读] Sharp Error Bounds on Quantum Boolean Summation in Various Settings

Marek Kwas, Henryk Woźniakowski|ArXiv.org|Mar 10, 2003

Quantum Computing Algorithms and Architecture参考文献 7被引用 5

一句话总结

本文在最坏概率和平均概率设定下，为量子布尔求和（QS）算法提供了精确的误差界。它通过证明误差以概率 $\frac{8}{\pi^2}$ 不超过 $\frac{3}{4}\pi M^{-1}$，改进了先前的误差估计，并确立了当 $M$ 被 4 整除时，QS 算法在平均概率设定下达到 $\min\{M^{-1}, N^{-1/2}\}$ 阶的最优误差。

ABSTRACT

We study the quantum summation (QS) algorithm of Brassard, Hoyer, Mosca and Tapp, that approximates the arithmetic mean of a Boolean function defined on N elements. We improve error bounds presented in [1] in the worst-probabilistic setting, and present new error bounds in the average-probabilistic setting. In particular, in the worst-probabilistic setting, we prove that the error of the QS algorithm using $M - 1$ queries is $3π/(4M)$ with probability $8/π^2$, which improves the error bound $πM^{-1} + π^2 M^{-2}$ of Brassard et al. We also present bounds with probabilities $p\in (1/2, 8/π^2]$ and show they are sharp for large $M$ and $NM^{-1}$. In the average-probabilistic setting, we prove that the QS algorithm has error of order $\min\{M^{-1}, N^{-1/2}\}$ if $M$ is divisible by 4. This bound is optimal, as recently shown in [10]. For M not divisible by 4, the QS algorithm is far from being optimal if $M \ll N^{1/2}$ since its error is proportional to $M^{-1}^$.

研究动机与目标

• 在最坏概率和平均概率设定下，细化并精确化量子布尔求和（QS）算法的误差界。
• 在不同概率设定和布尔函数上的度量下，确定 QS 算法的最优性能。
• 建立 QS 算法在平均概率设定下是否达到最小可能误差，特别是当 $M$ 被 4 整除时。
• 分析误差对查询次数 $M$ 和问题规模 $N$ 的依赖关系，并将量子性能与经典最坏情况和随机化设定进行比较。
• 通过渐近分析和三角函数表达式的反函数，验证在 $M$ 和 $N/M$ 较大时误差界的紧致性。

提出的方法

• 通过函数 $v(\Delta) = \sin^2(\pi\Delta)/(\pi\Delta)^2$ 的反函数，在最坏概率设定下推导出改进的误差界，得到以概率 $\frac{8}{\pi^2}$ 成立的更紧界 $\frac{3}{4}\pi M^{-1}$。
• 应用泰勒展开和三角不等式，估算幅度估计算法中的误差，特别是在 $\sigma_{a_f} = M/4$ 附近。
• 使用 Bernstein 不等式，限制平均值接近 $\frac{1}{2}$ 的布尔函数的概率质量，从而建立平均误差的下界。
• 分析布尔函数上的两种不同度量：对函数均匀分布（$\mathbf{p}_1$）和对其算术平均值均匀分布（$\mathbf{p}_2$），导致不同的误差行为。
• 证明 QS 算法仅在 $M$ 被 4 整除时，于 $\mathbf{p}_1$ 下达到 $\min\{M^{-1}, N^{-1/2}\}$ 阶的误差，这依赖于幅度估计算法输出分布的结构。
• 将 QS 算法的性能与 Papageorgiou（2003）的已知下界进行比较，确认在 $\mathbf{p}_1$ 下当 $M$ 被 4 整除时，其在平均概率设定下达到最优。

实验结果

研究问题

• RQ1 QS 算法在最坏概率设定下的误差界能否优于先前已知的 $\pi M^{-1} + \pi^2 M^{-2}$？
• RQ2 对于 $p \in (\frac{1}{2}, \frac{8}{\pi^2}]$，QS 算法的精确误差界是什么？其对 $M$ 和 $N$ 的依赖关系如何？
• RQ3 QS 算法在平均概率设定下是否达到最优误差？在什么 $M$ 条件下？
• RQ4 布尔函数度量的选择（$\mathbf{p}_1$ 与 $\mathbf{p}_2$）如何影响 QS 算法的平均误差？
• RQ5 在平均概率设定下，$\min\{M^{-1}, N^{-1/2}\}$ 阶的误差是否可实现？是否为最优？

主要发现

• QS 算法在最坏概率设定下的误差界被改进为以概率 $\frac{8}{\pi^2}$ 不超过 $\frac{3}{4}\pi M^{-1}$，该界比先前的 $\pi M^{-1} + \pi^2 M^{-2}$ 更紧。
• 对于 $p \in (\frac{1}{2}, \frac{8}{\pi^2}]$，误差被限制在 $\frac{(1 - v^{-1}(p))\pi}{M}$ 以内，且在 $M$ 和 $N/M$ 较大时该界是紧致的。
• 在 $\mathbf{p}_1$ 度量下的平均概率设定中，QS 算法仅当 $M$ 被 4 整除时，才达到 $\min\{M^{-1}, N^{-1/2}\}$ 阶的误差。
• 当 $M$ 不被 4 整除时，误差与 $M^{-1}$ 成正比，因此在 $\mathbf{p}_1$ 下当 $M \ll N^{1/2}$ 时算法次优。
• 该界 $\min\{M^{-1}, N^{-1/2}\}$ 是最优的，由 Papageorgiou（2003）确认，且当 $M$ 被 4 整除时，QS 算法可实现该界。
• 对于度量 $\mathbf{p}_2$，平均误差为 $M^{-1}$ 阶，与最坏情况性能一致，无法改进至 $N^{-1/2}$ 阶。