Matrix Multiplicative Weight(3)
本篇主要介紹最近在看的Matrix Multiplicative Weight Algorithm。承接上篇,本篇將介紹該演算法用quantum的SDP solver。以下是主要參考文獻
Introduction to Semidefinite ProgrammingQuantum SDP Solvers: Large Speed-ups, Optimality, and Applications to Quantum Learning整個quantum SDP演算法可以視為量子版本MMWA來解決SDP問題,其中quadratic的加速主要源於quantum Gibbs Samplers。本文介紹的是基於zero-sum game framework的MMWA演算法來解決SDP問題。
Semidefinite Programming
Semidefinite Programming是一類優化問題,如:
其中 為半正定矩陣, , 。
SDP的feasibility problem
給定近似解的誤差 ,約束條件 及Hermitian矩陣 ,令凸集 其中的 使得:
如果 ,則輸出無可行解。如果 ,則輸出可行解
之所以考慮Approximate Feasibility Problem,基於以下考慮:
1。任何一般的SDP問題,都可以不斷的去試並收縮可行解,最後的得到近似解。
例如: ,要 ,可將其轉換為求解不等式 ,然後不斷試 ,然後可通過二分查找 ( )快速找到 最大的可行解 。2。任何 都可以轉化成 。例如:對於所有constraint,都除上常數 ,則 , ,然後
,如果令 。
解決Approximate Feasibility Problem可通過將其視為zero-sum game,並使用MMWA演算法來解決。
quantum Oracle
輸入密度矩陣 ( , ),對於條件約束 ,如果 不成立,則輸出 。否則均成立則輸出『FEASIBLE』(即 為滿足所有條件的一個可行解)。
考慮用2人zero-sum game框架解決該問題:
1。甲的目標是找到一個可行解 ,乙的目標找出 違反的任意一個條件約束。
2。如果原問題可解,則對於甲,一定存在一個可行解 使得其滿足所有條件,即乙找不到任何 違反的條件約束。此種情況則為zero-sum game的平衡點,並可通過MMWA演算法來近似求得。
MMWA整體框架:
Quantum algorithm for SDP
由於量子演算法首先要將經典的數據轉化成量子態再進行處理(Plain model, Quantum input model)
Plain model
1.Oracle 1(Plain Model: )取出 。令該Oracle為 , 用於取出 矩陣裏的信息,到量子態上。該Oracle僅存第 個矩陣 的 行,第 個非零元,則:
其中 為取第 個非零元。
2. 估計跡 。在MMWA框架下,除了取出 的非零元素外,還需要估計出
估計
假設已知Hermition矩陣 以及密度矩陣 。並通過sample和Oracle1可分別取得 和 ,並以大於 的幾率以 為誤差估計出 。
3.製備 。整個過程為Gibbs sampling。
假設給定稀疏度為 的Hermitian矩陣 ,且 。此時可以通過Oracle1以及多個兩比特量子門以 來製備Gibbs ,誤差為
則以下為Quantum SDP(Plain model)演算法
Quantum Input model
1. Oracle 2.1(Trace model: )。
令該Oracle為 ,用於取出 ( ,因為 , )
Oracle 2.2(preparing model: )
令該Oracle為 ,用於製備矩陣 ,該Oracle作用於 ,有
其中通過純化 ,我們可以得到 和
Oracle 2.3(model: )。
令該Oracle為 ,用於取條件
2. 估計跡。
假設 ,令 和 分別為使用以上Oracle2.1~2.2製備態 的sample complexity和time complexity。則存在一個量子演算法正確地估計 或 的概率大於 。
3.製備 。
假設 ,且 的秩不大於 。同時假設 。我們可以通過對Oracle2.1~2.2和兩比特門來製備Gibbs態 ,其製備的複雜度為
【1】Satyen Kale. Efficient algorithms using the multiplicative weights update method. Princeton University, 2007.
推薦閱讀: