[论文解读] Single query learning from abelian and non-abelian Hamming distance oracles

David Meyer, James Pommersheim|ArXiv.org|Dec 3, 2009

Quantum Computing Algorithms and Architecture参考文献 10被引用 5

一句话总结

该论文提出了一种新型的量子预言机排列模型，该模型将汉明距离映射到 $S_r$ 中的任意排列，而不仅仅是循环移位。对于偶数 $n$，使用 $r=2$ 量子三重态的单次查询可实现概率为 1 的 $n$-比特字符串识别，采用非交换排列；而对于奇数 $n$，则无法实现完美成功，但通过 $r=3$ 和非交换群作用，可实现高达约 95.5% 的更高成功概率。

ABSTRACT

We study the problem of identifying an n-bit string using a single quantum query to an oracle that computes the Hamming distance between the query and hidden strings. The standard action of the oracle on a response register of dimension r is by powers of the cycle (1...r), all of which, of course, commute. We introduce a new model for the action of an oracle--by general permutations in S_r--and explore how the success probability depends on r and on the map from Hamming distances to permutations. In particular, we prove that when r = 2, for even n the success probability is 1 with the right choice of the map, while for odd n the success probability cannot be 1 for any choice. Furthermore, for small odd n and r = 3, we demonstrate numerically that the image of the optimal map generates a non-abelian group of permutations.

研究动机与目标

• 通过允许响应寄存器上的 $S_r$ 中任意排列作用，而非仅限于循环移位，推广标准的量子预言机模型。
• 研究单次查询学习的成功概率如何依赖于响应寄存器的维数 $r$ 和排列映射的选择。
• 确定非交换排列作用是否能在学习汉明距离预言机方面优于阿贝尔（交换）排列。
• 确定在何种条件下可实现完美学习（成功概率为 1），特别是针对偶数与奇数 $n$ 的情况。
• 探讨状态向量线性无关性在区分目标字符串中的作用，并通过量子测量理论界定成功概率的上界。

提出的方法

• 提出一种新预言机模型，其中每个汉明距离 $d$ 映射到一个作用于维数为 $r$ 的响应寄存器的排列 $\sigma_d \in S_r$，推广了标准的加法模型。
• 使用酉变换 $|x,b\rangle \mapsto |x, \sigma_{\text{dist}(a,x)}(b)\rangle$ 实现预言机，支持非交换作用。
• 应用量子态判别技术，通过单次查询识别隐藏字符串 $a$，并针对初始响应态和排列分配进行优化。
• 使用矩阵 $B$，其列是初始态在 $\sigma_d$ 作用下的像，利用线性代数方法界定成功概率。
• 通过数值优化寻找小规模 $n$（特别是 $n=3$ 和 $n=5$）下 $r=3$ 时的最优排列分配和初始态。
• 应用引理 6.2，当矩阵 $B$ 的列线性相关时，成功概率的上界为 $k/n$，其中 $k$ 是由态张成子空间的秩，表明此类情况的成功概率低于满秩情形。

实验结果

研究问题

• RQ1 与阿贝尔（循环）作用相比，响应寄存器上的非交换排列作用是否能提升单次查询学习的成功概率？
• RQ2 对于哪些 $n$ 值，使用维数为 $r=2$ 的响应寄存器，可通过单次查询实现完美学习（成功概率为 1）？
• RQ3 对于奇数 $n$，当 $r=3$ 时，最大成功概率是多少？是否可超过阿贝尔情形？
• RQ4 当 $r$ 足够大时，成功概率 $p_n(r)$ 是否趋于饱和，还是在 $r! \geq n+1$ 之后仍持续增加？
• RQ5 排列群的结构（阿贝尔与非阿贝尔）如何影响对应于不同隐藏字符串的量子态的可区分性？

主要发现

• 对于偶数 $n$，使用 $r=2$ 和非交换排列映射 $\sigma_d = (12)^{b_1(d)}$ 的单次查询可实现完美学习（成功概率为 1）。
• 对于奇数 $n$，无论初始态和排列分配如何优化，都无法通过单比特函数或 $r=2$ 的排列映射实现成功概率为 1。
• 当 $n=3$ 时，$r=3$ 下的最优成功概率约为 0.974，当映射的像生成非阿贝尔群时达到该值。
• 当 $n=5$ 时，$r=3$ 下的最优成功概率约为 0.955，同样在非阿贝尔排列群下实现。
• 当由排列作用于初始态所形成的矩阵 $B$ 的列线性相关时，成功概率的上界为 $k/n$，其中 $k$ 是由态张成子空间的秩。
• 成功概率 $p_n(r)$ 随 $r$ 非递减，且 $p_3(4) = 1$ 尽管 $p_3(3) < 1$，表明即使 $r! \geq n+1$，成功概率仍可能继续增加。