昇思量子计算系列教程-Grover搜索算法

基于MindSpore Quantum的Grover搜索算法

概述

如果你听过量子计算,那么你一定听说过Grover搜索算法。1996年,Lov Grover [1] 提出了Grover搜索算法,它是一种利用量子状态的叠加性进行并行计算并实现加速的算法。Grover搜索算法被公认为是继Shor算法后的第二大量子算法,也是第一个被完整的实验实现的量子算法,它解决的是无序数据库搜索问题。1997年,Bennett [2] 等人证明,对于非结构化的量子搜索问题,至少需要 Ω ( N ) \Omega(\sqrt{N}) Ω(N )​次量子查询,因此Grover搜索算法对于该问题是渐进意义下的最优算法。

无序数据库搜索问题(Unordered Database Search problem)就是从一个海量元素的无序数据库中,找到某些满足要求的元素。由于数据库中元素的数量是巨大的且这些元素是无序排列的,所以,要验证给定的元素是否满足要求很容易,但反过来,要找到这些元素却不是一件容易的事。

求解无序数据库搜索问题(不妨假设只有一个目标搜索数据),经典算法所需的时间复杂度为 O ( N ) \mathcal{O}(N) O(N),而Grover搜索算法所需的时间复杂度仅为 O ( N ) \mathcal{O}(\sqrt{N}) O(N ),相比经典算法具有平方加速,展示了量子计算的强大性能。此外,Grover搜索算法中用到的振幅扩大技巧,对许多启发式的经典搜索算法可以实现加速,因而具有广泛的应用。

本文档将会介绍Grover搜索算法的基本原理,以及通过两个具体的小例子来展示如何利用MindSpore Quantum实现该算法。

问题描述

我们需要在一组无序的 N N N元素集合(数据库)中进行搜索。将数据库中的元素与索引(从 0 0 0到 N − 1 N-1 N−1之间的整数)建立一一对应,我们关注于搜索这些元素的索引。考虑将该搜索问题表示为一个关于输入 x x x的函数 f ( x ) f(x) f(x),其中 x x x为 0 0 0到 N − 1 N-1 N−1之间的整数。那么,函数 f f f定义为:

f ( x ) = { 0 , x ≠ x t a r g e t 1 , x = x t a r g e t . \begin{equation} f(x)=\begin{cases}0,x\neq x_{target}\\\\ 1,x=x_{target} \end{cases} \end{equation}. f(x)=⎩ ⎨ ⎧0,x=xtarget1,x=xtarget.

不失一般性,假设 N = 2 n N=2^n N=2n​,那么在量子系统中,索引以量子态 ∣ 0 ⟩ , ∣ 1 ⟩ , . . . , ∣ N − 1 ⟩ |0\rangle,|1\rangle,...,|N-1\rangle ∣0⟩,∣1⟩,...,∣N−1⟩​(或 ∣ 00...0 ⟩ , ∣ 00...1 ⟩ , . . . , ∣ 11...1 ⟩ |00...0\rangle,|00...1\rangle,...,|11...1\rangle ∣00...0⟩,∣00...1⟩,...,∣11...1⟩​)表示,也即我们可以使用 n n n​个量子比特存储这些索引。

同时假设搜索问题只有一个目标态 ∣ ω ⟩ |\omega\rangle ∣ω⟩。Grover搜索算法的目标就是以极大的概率将 ∣ ω ⟩ |\omega\rangle ∣ω⟩搜索出来。

Grover搜索算法的基本原理

Grover搜索算法的基本原理:首先通过 Hadamard 门产生均匀叠加态,然后反复调用Grover迭代(或称为 G G G算子),以放大目标项的概率振幅同时抑制非目标项的概率振幅(该方法称之为振幅放大),最后对末态进行测量,那么就能以极大的概率得到目标态 ∣ ω ⟩ |\omega\rangle ∣ω⟩​​。

下面介绍Grover算法的主要步骤。

Step 1:数据库初始化

对 ∣ 0 ⟩ ⊗ n |0\rangle^{\otimes n} ∣0⟩⊗n​​​​执行 H ⊗ n H^{\otimes n} H⊗n​​​​​操作,使得数据库被初始为一个均匀叠加态,即

∣ ψ 0 ⟩ = H ⊗ n ∣ 0 ⟩ ⊗ n = 1 N ∑ i = 0 N − 1 ∣ i ⟩ . |\psi_0\rangle=H^{\otimes n}|0\rangle^{\otimes n}=\frac{1}{\sqrt{N}}\sum_{i=0}^{N-1}|i\rangle. ∣ψ0⟩=H⊗n∣0⟩⊗n=N 1i=0∑N−1∣i⟩.

Step 2:Grover迭代

Grover迭代又可以分解为四步:

子步骤一

执行Oracle算子 U ω U_{\omega} Uω​,翻转目标态 ∣ ω ⟩ |\omega \rangle ∣ω⟩​​​​​的相位。

为了将需要寻找的数据和其它的数据区别开,最简单的方法就是翻转目标态的相位(增加一个负号),此时我们需要构造一个Oracle算子 U ω U_{\omega} Uω,其作用如下:

U ω ∣ x ⟩ = { ∣ x ⟩ , x ≠ ω − ∣ x ⟩ , x = ω . \begin{equation} U_{\omega}|x\rangle=\begin{cases} &|x\rangle,x\neq \omega&\\\\ -&|x\rangle,x=\omega& \end{cases} \end{equation}. Uω∣x⟩=⎩ ⎨ ⎧−∣x⟩,x=ω∣x⟩,x=ω.

由于当 x = ω x=\omega x=ω​时, f ( ω ) = 1 f(\omega)=1 f(ω)=1​,那么 U ω U_{\omega} Uω​​的作用还可以表示成:

U ω ∣ x ⟩ = ( − 1 ) f ( x ) ∣ x ⟩ , U_{\omega}|x\rangle=(-1)^{f(x)}|x\rangle, Uω∣x⟩=(−1)f(x)∣x⟩,

其矩阵表达式为

U ω = [ ( − 1 ) f ( 0 ) 0 ... 0 0 ( − 1 ) f ( 1 ) ... 0 ⋮ ⋮ ⋱ ⋮ 0 0 ... ( − 1 ) f ( N − 1 ) ] . \begin{equation} U_{\omega}= \left[ \begin{array}{ccc} (-1)^{f(0)} & 0 & \dots & 0 \\\\ 0 & (-1)^{f(1)} & \dots & 0 \\\\ \vdots & \vdots & \ddots & \vdots \\\\ 0 & 0 & \dots & (-1)^{f(N-1)} \end{array} \right] \end{equation}. Uω= (−1)f(0)0⋮00(−1)f(1)⋮0......⋱...00⋮(−1)f(N−1) .

子步骤二

执行 H ⊗ n H^{\otimes n} H⊗n操作。

对 n n n位量子比特执行 H ⊗ n H^{\otimes n} H⊗n操作。

子步骤三

执行条件相移算子 P P P。

条件相移算子 P P P能使 ∣ 0 ⟩ |0\rangle ∣0⟩​态以外的每个态的相位都翻转,其作用如下:

P ∣ x ⟩ = { ∣ 0 ⟩ , x = 0 − ∣ x ⟩ , x ≠ 0 . \begin{equation} P|x\rangle=\begin{cases}&|0\rangle,x= 0&\\\\ -&|x\rangle,x\neq0& \end{cases} \end{equation}. P∣x⟩=⎩ ⎨ ⎧−∣0⟩,x=0∣x⟩,x=0.

其矩阵表达式为

P = 2 ( ∣ 0 ⟩ ⟨ 0 ∣ ) ⊗ n − I n = [ 1 0 ... 0 0 − 1 ... 0 ⋮ ⋮ ⋱ ⋮ 0 0 ... − 1 ] . \begin{equation} P = 2(|0\rangle\langle0|)^{\otimes n} - I_n = \left[ \begin{array}{ccc} 1 & 0 & \dots & 0 \\\\ 0 & -1 & \dots & 0 \\\\ \vdots & \vdots & \ddots & \vdots \\\\ 0 & 0 & \dots & -1 \end{array} \right] \end{equation}. P=2(∣0⟩⟨0∣)⊗n−In= 10⋮00−1⋮0......⋱...00⋮−1 .

子步骤四

再次执行 H ⊗ n H^{\otimes n} H⊗n操作。

至此,完整的 G G G算子可以表示为

G = H ⊗ n [ 2 ( ∣ 0 ⟩ ⟨ 0 ∣ ) ⊗ n − I n ] H ⊗ n U ω . G = H^{\otimes n} [2(|0\rangle\langle0|)^{\otimes n} - I_n] H^{\otimes n} U_{\omega}. G=H⊗n[2(∣0⟩⟨0∣)⊗n−In]H⊗nUω.

注意: G G G算子需要迭代的次数为

r = [ π 4 N M ] ∼ O ( N ) , r = \left[ \frac{\pi}{4} \sqrt{\frac{N}{M}} \right] \sim O(\sqrt{N}), r=[4πMN ]∼O(N ),

其中,M表示目标态的个数。

Step 3:测量

对末态进行 ∣ 0 ⟩ , ∣ 1 ⟩ \\{|0\rangle,|1\rangle\\} ∣0⟩,∣1⟩基测量,就能以极大的概率得到目标态 ∣ ω ⟩ |\omega \rangle ∣ω⟩。

Grover搜索算法的完整量子线路模型如下所示:

构造翻转量子比特相位的酉算子

通过上述介绍,我们发现,Grover搜索算法中最关键的部分就是存在可以翻转量子比特相位的酉算子,Oracle算子 U ω U_{\omega} Uω可以翻转目标态的相位,条件相移算子 P P P可以翻转 ∣ 0 ⟩ |0\rangle ∣0⟩态以外的每个态的相位。

接下来,我们将构造可以翻转某一位量子比特相位的酉算子,定义如下:

python 复制代码
from mindquantum.core.circuit import Circuit
from mindquantum.core.gates import Z

def bitphaseflip_operator(phase_inversion_qubit, n_qubits):   # 定义可以翻转某一位量子比特相位的函数
    s = [1 for i in range(1 << n_qubits)]
    for i in phase_inversion_qubit:
        s[i] = -1
    if s[0] == -1:
        for i in range(len(s)):
            s[i] = -1 * s[i]
    circuit = Circuit()
    length = len(s)
    cz = []
    for i in range(length):
        if s[i] == -1:
            cz.append([])
            current = i
            t = 0
            while current != 0:
                if (current & 1) == 1:
                    cz[-1].append(t)
                t += 1
                current = current >> 1
            for j in range(i + 1, length):
                if i & j == i:
                    s[j] = -1 * s[j]
    for i in cz:
        if i:
            if len(i) > 1:
                circuit += Z.on(i[-1], i[:-1])
            else:
                circuit += Z.on(i[0])

    return circuit

现在, bitphaseflip_operator() 函数就可以实现翻转某一位量子比特的相位,只需要输入需要翻转相位的目标量子态和量子比特总数即可。

举个例子,我们现在生成3​​量子比特的均匀叠加态,运行如下代码:

python 复制代码
# pylint: disable=W0104
from mindquantum.core.circuit import UN
from mindquantum.core.gates import H
from mindquantum.simulator import Simulator

n_qubits = 3                                 # 设定量子比特数为3
sim = Simulator('mqvector', n_qubits)        # 使用mqvector模拟器,命名为sim

circuit = Circuit()                          # 初始化量子线路,命名为circuit
circuit += UN(H, n_qubits)                   # 每位量子比特上执行H门操作

sim.apply_circuit(circuit)                   # 通过模拟器sim运行搭建好的量子线路circuit

circuit.svg()                                # 打印此时的量子线路circuit

从运行的结果看到此时的量子线路,以及我们成功生成了3量子比特的均匀叠加态。

假设我们需要翻转 ∣ 4 ⟩ |4\rangle ∣4⟩态的相位,只需调用我们定义好的bitphaseflip_operator()函数即可,运行如下代码:

python 复制代码
# pylint: disable=W0104
sim.reset()                                                      # 重置模拟器sim维护好的量子态,使得初始化的量子态为|000>

phase_inversion_qubit = [4]                                      # 翻转|4>态的相位
operator = bitphaseflip_operator(phase_inversion_qubit, n_qubits)# 调用我们定义好的bitphaseflip_operator()函数

circuit += operator                                              # 在量子线路circuit中添加翻转|4>态的相位所需的量子门

sim.apply_circuit(circuit)                                       # 通过模拟器sim再次运行搭建好的量子线路circuit

circuit.svg()                                                    # 打印此时的量子线路circuit

从运行的结果看到,发生相位翻转的 ∣ 100 ⟩ |100\rangle ∣100⟩态即为我们希望相位翻转的 ∣ 4 ⟩ |4\rangle ∣4⟩态。

假设我们需要翻转除 ∣ 0 ⟩ |0\rangle ∣0⟩态以外的每个态的相位,运行如下代码:

python 复制代码
# pylint: disable=W0104
n_qubits = 3                                                     # 设定量子比特数为3
sim1 = Simulator('mqvector', n_qubits)                           # 使用mqvector模拟器,命名为sim1

operator1 = bitphaseflip_operator([i for i in range(1, pow(2, n_qubits))], n_qubits) # 调用我们定义好的bitphaseflip_operator()函数,翻转除|0>态以外的每个态的相位,命名为operator1

circuit1 = Circuit()                                             # 初始化量子线路,命名为circuit1
circuit1 += UN(H, n_qubits)                                      # 每位量子比特上执行H门操作
circuit1 += operator1                                            # 在量子线路circuit1中添加翻转除|0>态以外的每个态的相位所需的量子门

sim1.apply_circuit(circuit1)                                     # 通过模拟器sim1运行搭建好的量子线路circuit1

circuit1.svg()                                                         # 打印此时的量子线路circuit1

从运行的结果看到此时的量子线路,以及我们成功翻转除 ∣ 0 ⟩ |0\rangle ∣0⟩态以外的每个态的相位。

也就是说,我们定义的函数bitphaseflip_operator()可以实现Grover搜素算法中的Oracle算子 U ω U_{\omega} Uω和条件相移算子 P P P。

利用MindSpore Quantum实现Grover搜素算法实例

实例1: n = 3 n=3 n=3​, ∣ ω ⟩ = ∣ 2 ⟩ |\omega\rangle=|2\rangle ∣ω⟩=∣2⟩(单目标)

首先,我们需要定义 G G G算子,运行如下代码:

python 复制代码
def G(phase_inversion_qubit, n_qubits):           # 定义Grover搜索算法中的G算子
    operator = bitphaseflip_operator(phase_inversion_qubit, n_qubits)
    operator += UN(H, n_qubits)
    operator += bitphaseflip_operator([i for i in range(1, pow(2, n_qubits))], n_qubits)
    operator += UN(H, n_qubits)
    return operator

然后,我们根据Grover搜索算法的量子线路模型在MindSpore Quantum中搭建对应的量子线路:

python 复制代码
# pylint: disable=W0104
from numpy import pi, sqrt

n_qubits = 3                                      # 设定量子比特数为3
phase_inversion_qubit = [2]                       # 设定需要翻转相位的目标态,在这里翻转|2>态的相位

N = 2 ** (n_qubits)                               # 计算出数据库中元素的总个数
M = len(phase_inversion_qubit)                    # 计算出目标态的总个数

r = int(pi / 4 * sqrt(N / M))                     # 设定G算子迭代次数为r

sim2 = Simulator('mqvector', n_qubits)            # 使用mqvector模拟器,命名为sim2

circuit2 = Circuit()                              # 初始化量子线路,命名为circuit2
circuit2 += UN(H, n_qubits)                       # 每位量子比特上执行H门操作

for i in range(r):                                # 循环执行G算子r次
    circuit2 += G(phase_inversion_qubit, n_qubits)

sim2.apply_circuit(circuit2)                      # 通过模拟器sim2运行搭建好的量子线路circuit2

circuit2.svg()                                    # 打印此时的量子线路circuit2

从运行的结果看到, ∣ 010 ⟩ |010\rangle ∣010⟩态的振幅为0.9722718241315036,相比于其它的量子态,这是极大的振幅,也就是说,若我们测量此时的状态,将会以极大的概率得到目标态 ∣ 010 ⟩ |010\rangle ∣010⟩​,运行如下代码进行测量:

python 复制代码
# pylint: disable=W0104
from mindquantum.core.gates import Measure

sim2.reset()                                      # 重置模拟器sim2维护好的量子态,使得初始化的量子态为|000>

circuit2 += UN(Measure(), circuit2.n_qubits)      # 对量子线路circuit2中的每一位量子比特添加测量门

result = sim2.sampling(circuit2, shots=1000)      # 通过模拟器sim2对量子线路circuit2进行1000次的采样
result.svg()                                      # 打印采样结果

从运行的结果看到,1000次采样中有923次的采样结果为010(由于具有随机性,每次运行有略微差距),将其转化为10进制数,运行如下代码:

从运行的结果看到,我们成功地搜索出 ∣ 2 ⟩ |2\rangle ∣2⟩态。

实例2: n = 5 n=5 n=5, ∣ ω ⟩ = ∣ 5 ⟩ |\omega\rangle=|5\rangle ∣ω⟩=∣5⟩和 ∣ 11 ⟩ |11\rangle ∣11⟩(多目标)

实例1中实现的是单目标搜索,现在我们尝试实现多目标搜索。首先, G G G算子已经定义好了,我们只需设定量子比特数和需要翻转相位的目标态,然后搭建对应的量子线路即可,运行如下代码:

python 复制代码
# pylint: disable=W0104
n_qubits = 5                                      # 设定量子比特数为5
phase_inversion_qubit = [5, 11]                   # 设定需要翻转相位的目标态,在这里翻转|5>态和|11>态的相位

N = 2 ** (n_qubits)                               # 计算出数据库中元素的总个数
M = len(phase_inversion_qubit)                    # 计算出目标态的总个数

r = int(pi / 4 * sqrt(N / M))                     # 设定G算子迭代次数为r

sim3 = Simulator('mqvector', n_qubits)            # 使用mqvector模拟器,命名为sim3

circuit3 = Circuit()                              # 初始化量子线路,命名为circuit3
circuit3 += UN(H, n_qubits)                       # 每位量子比特上执行H门操作

for i in range(r):                                # 循环执行G算子r次
    circuit3 += G(phase_inversion_qubit, n_qubits)

sim3.apply_circuit(circuit3)                      # 通过模拟器sim3运行搭建好的量子线路circuit3

circuit3.svg()                                          # 打印此时的量子线路circuit3

从运行的结果看到, ∣ 00101 ⟩ |00101\rangle ∣00101⟩​​和 ∣ 01011 ⟩ |01011\rangle ∣01011⟩​​态的振幅均为0.6932961018664989,相比于其它的量子态,这是极大的振幅,也就是说,若我们测量此时的状态,将会以极大的概率得到目标态 ∣ 00101 ⟩ |00101\rangle ∣00101⟩​​和 ∣ 01011 ⟩ |01011\rangle ∣01011⟩​​态,运行如下代码进行测量:

python 复制代码
# pylint: disable=W0104
sim3.reset()                                      # 重置模拟器sim3维护好的量子态,使得初始化的量子态为|00000>

circuit3 += UN(Measure(), circuit3.n_qubits)      # 对量子线路circuit3中的每一位量子比特添加测量门

result1 = sim3.sampling(circuit3, shots=1000)     # 通过模拟器sim3对量子线路circuit3进行1000次的采样
result1.svg()                                     # 打印采样结果

从运行的结果看到,1000次采样中有487次的采样结果为00101和478次的采样结果为01011(由于具有随机性,每次运行会略有不同),将其转化为10进制数,运行如下代码:

从运行的结果看到,我们成功地搜索出 ∣ 5 ⟩ |5\rangle ∣5⟩​​和 ∣ 11 ⟩ |11\rangle ∣11⟩​​​​​态。

至此,我们介绍了Grover搜索算法的基本原理,以及通过两个具体的小例子来展示如何利用MindSpore Quantum实现该算法!赶紧动手体验一下量子编程的乐趣吧!

相关推荐
武子康8 分钟前
大数据-212 数据挖掘 机器学习理论 - 无监督学习算法 KMeans 基本原理 簇内误差平方和
大数据·人工智能·学习·算法·机器学习·数据挖掘
deephub9 分钟前
Tokenformer:基于参数标记化的高效可扩展Transformer架构
人工智能·python·深度学习·架构·transformer
Q81375746015 分钟前
数据挖掘在金融交易中的应用:民锋科技的智能化布局
人工智能·科技·数据挖掘
qzhqbb19 分钟前
语言模型的采样方法
人工智能·语言模型·自然语言处理
qzhqbb21 分钟前
基于 Transformer 的语言模型
人工智能·语言模型·自然语言处理·transformer
___Dream22 分钟前
【CTFN】基于耦合翻译融合网络的多模态情感分析的层次学习
人工智能·深度学习·机器学习·transformer·人机交互
极客代码30 分钟前
【Python TensorFlow】入门到精通
开发语言·人工智能·python·深度学习·tensorflow
义小深32 分钟前
TensorFlow|咖啡豆识别
人工智能·python·tensorflow
Tianyanxiao1 小时前
如何利用探商宝精准营销,抓住行业机遇——以AI技术与大数据推动企业信息精准筛选
大数据·人工智能·科技·数据分析·深度优先·零售
撞南墙者1 小时前
OpenCV自学系列(1)——简介和GUI特征操作
人工智能·opencv·计算机视觉