반복 중첩 기대값 추정의 최적 양자 가속화

초록

본 논문은 고정된 깊이의 반복 중첩 기대값(RNE) 문제를 양자 컴퓨팅으로 해결하는 알고리즘을 제시한다. 제안된 양자 알고리즘은 오류 ε에 대해 비용이 ˜O(ε⁻¹)이며, 이는 고전적인 O(ε⁻²) 복잡도 대비 거의 2배의 속도 향상을 의미한다. 핵심은 기존의 무작위 다중 수준 몬테카를로(rMLMC) 알고리즘을 결정론적 스케줄링으로 탈무작위화하고, 이를 양자 평균 추정 서브루틴으로 양자화한 것이다. 이 접근법은 변수 실행 시간 문제를 회피하고, 하한 결과와 일치하는 최적 복잡도를 달성한다.

상세 분석

이 논문은 반복 중첩 기대값(RNE)이라는, 다중 단계의 조건부 기대값을 순차적으로 계산해야 하는 문제를 다룬다. 전통적인 고전 알고리즘인 rMLMC는 기하분포에 기반한 무작위 트렁케이션을 사용해 O(ε⁻²) 표본 복잡도를 달성하지만, 양자화 시 변수 실행 시간(variable‑time) 현상이 증폭되어 기대 비용이 급격히 늘어나는 단점이 있다. 저자들은 이 문제를 해결하기 위해 두 단계의 혁신을 도입한다. 첫 번째는 rMLMC의 무작위 레벨 선택을 고정된 최대 레벨 B_d=Θ(log ε⁻¹)로 제한하고, 기하분포 파라미터 r_d를 정밀히 조정해 편향을 제어하면서도 순간적인 비용을 O(1)로 유지한다. 두 번째는 완전한 탈무작위화(detrandomization) 단계로, 각 레벨 n에 대해 사전에 정해진 샘플 수 M_d·P_d(n)만큼 실행하도록 스케줄링한다. 이렇게 하면 알고리즘의 실행 시간이 사전에 결정되므로 양자 평균 추정(Quantum Amplitude Estimation, QAE) 서브루틴을 적용할 수 있다. QAE는 Grover 기반의 진폭 증폭을 이용해 평균을 ε 정확도로 추정하는 데 O(ε⁻¹)·polylog(1/ε) 비용을 요구한다. 논문은 이 서브루틴을 각 레벨에 독립적으로 적용하고, 레벨 간 오차 전파를 꼼꼼히 분석해 전체 RMSE가 ε 이하가 되도록 파라미터를 설정한다. 중요한 수학적 도구로는 von Bahr‑Esseen 부등식, L_p‑노름에 대한 삼각 부등식, 그리고 기하분포의 꼬리 제어가 있다. 결과적으로 전체 양자 알고리즘은 비용 Õ(ε⁻¹)·log³(D) (D는 고정된 깊이) 를 달성하고, 이는 평균 추정 문제에 대한 알려진 하한 Ω̃(ε⁻¹)와 일치한다. 또한, 기존 단일 중첩 기대값에 대한 양자 가속화 결과(