[论文解读] Towards quantum advantage via topological data analysis

Casper Gyurik, Chris Cade+1 more|arXiv (Cornell University)|May 6, 2020

Topological and Geometric Data Analysis被引用 4

一句话总结

本文证明，在广泛接受的复杂性理论假设下，Lloyd、Garnerone 和 Zanardi 提出的拓扑数据分析（TDA）量子算法在经典计算上是不可行的，因为其广义形式与模拟单清洁量子比特模型一样困难——后者普遍认为需要超多项式时间的经典计算。作者提出了用于秩估计和复杂网络分析的新量子算法，提供了可证明的超多项式量子加速，并分析了其在近期量子设备上的可行性。

ABSTRACT

Even after decades of quantum computing development, examples of generally useful quantum algorithms with exponential speedups over classical counterparts are scarce. Recent progress in quantum algorithms for linear-algebra positioned quantum machine learning (QML) as a potential source of such useful exponential improvements. Yet, in an unexpected development, a recent series of "dequantization" results has equally rapidly removed the promise of exponential speedups for several QML algorithms. This raises the critical question whether exponential speedups of other linear-algebraic QML algorithms persist. In this paper, we study the quantum-algorithmic methods behind the algorithm for topological data analysis of Lloyd, Garnerone and Zanardi through this lens. We provide evidence that the problem solved by this algorithm is classically intractable by showing that its natural generalization is as hard as simulating the one clean qubit model -- which is widely believed to require superpolynomial time on a classical computer -- and is thus very likely immune to dequantizations. Based on this result, we provide a number of new quantum algorithms for problems such as rank estimation and complex network analysis, along with complexity-theoretic evidence for their classical intractability. Furthermore, we analyze the suitability of the proposed quantum algorithms for near-term implementations. Our results provide a number of useful applications for full-blown, and restricted quantum computers with a guaranteed exponential speedup over classical methods, recovering some of the potential for linear-algebraic QML to become one of quantum computing's killer applications.

研究动机与目标

• 调查尽管近期去量化结果已削弱其他量子机器学习（QML）算法，Lloyd、Garnerone 和 Zanardi 提出的TDA量子算法是否仍对经典计算保持不可行性。
• 证明LGZ TDA算法背后的线性代数方法对通用去量化技术具有鲁棒性。
• 基于相同的量子方法，为实际问题（如秩估计和复杂网络分析）开发新的量子算法。
• 分析在近期NISQ设备上实现这些量子算法的可行性，重点关注资源优化和实际约束。
• 通过识别对经典计算机而言可证明困难的问题，进一步强化线性代数QML中的量子优势。

提出的方法

• 将TDA问题广义化，以证明其与模拟单清洁量子比特模型一样困难，而后者普遍认为需要经典计算机的超多项式时间。
• 利用LGZ TDA算法中的量子算法技术——特别是量子相位估计算法和稀疏矩阵访问——来解决秩估计和复杂网络分析任务。
• 应用经典预编译策略，以减少稀疏矩阵访问所需的量子比特数量，这是近期实现中的主要瓶颈。
• 利用微扰理论分析噪声下量子算法的鲁棒性，表明对组合拉普拉斯矩阵的小扰动不会显著改变低能谱密度。
• 使用复杂性理论论证，证明广义TDA和秩估计问题无法通过通用经典方法实现去量化。
• 评估资源需求和错误缓解兼容性，以评估其在NISQ时代量子计算机上的适用性。

实验结果

研究问题

• RQ1 在广泛接受的复杂性理论假设下，LGZ算法所解决的TDA问题是否在经典计算上不可行？
• RQ2 LGZ算法的量子算法框架能否扩展至为实际问题（如秩估计和网络分析）提供可证明的超多项式量子加速？
• RQ3 LGZ算法背后的量子方法是否对已使其他QML方案失效的通用去量化技术具有鲁棒性？
• RQ4 在近期量子设备上实现这些量子算法面临哪些实际挑战和资源需求？
• RQ5 在输入数据或硬件存在噪声的情况下，多大程度上可容忍而不影响量子TDA计算的正确性？

主要发现

• 广义TDA问题与模拟单清洁量子比特模型一样困难，而后者普遍认为需要经典计算机的超多项式时间，意味着其经典不可行性。
• 从LGZ框架导出的秩估计问题在经典计算上可证明不可行，从而确保该特定任务的超多项式量子加速。
• 用于TDA、秩估计和复杂网络分析的量子算法对通用去量化方法具有鲁棒性，而这些方法已使其他QML提案失效。
• 经典预编译策略可显著减少稀疏矩阵访问所需的量子比特数量，使算法更适合近期NISQ设备。
• 量子算法对组合拉普拉斯矩阵的小扰动表现出鲁棒性，支持其在噪声或近似数据环境下的可行性。
• 来自量子化学和多体物理的错误缓解技术可直接应用，从而增强近期实现的可靠性。