Grover 搜尋演算法的理論
在本文中，您將找到一個詳細的理論說明，說明讓 Grover 演演算法運作的數學原則。
如需 Grover 演演算法的實際實作來解決數學問題，請參閱 實作 Grover 的搜尋演算法。
問題的陳述
任何搜尋工作都可以使用接受搜尋專案 $x$ 的抽象函式 $f（x）$ 來表示。 如果專案 $x$ 是搜尋工作的方案，則 $f（x）=1$。 如果專案 $x$ 不是方案，則 $f（x）=0$。 搜尋 問題 包含尋找任何專案 $x_0$ ， $例如 f（x_0）=1$。
Grover 演算法的目標工作可以如下表示：假設有一個傳統函$式 f（x）：\{0,1\}^n \rightarrow\{0,1\}$，其中 $n$ 是搜尋空間的位大小，請尋找 f（x_0）=1$ 的$輸入$x_0$。 演算法的複雜度是由函式 f（x）$ 的使用$次數來測量。 在最壞的情況下， $f（x）$ 必須總共 $評估 N-1$ 次，其中 $N=2^n$，嘗試所有可能性。 N-1$ 元素之後$，它必須是最後一個專案。 Grover 的量子演算法可以更快解決這個問題，提供二次加速。 此處的二次方表示，相較於 $N$，只需要大約 $\sqrt{N}$ 個評估。
演算法的大綱
假設搜尋工作有 $N=2^n$ 個符合資格的專案，而且會藉由將每個專案指派一個從 $0$ 到 $N-1$ 的整數來編製索引。 此外，假設有 $M$ 不同的有效輸入，表示有$$M 輸入，f$（x）=1$。 然後演算法的步驟如下：
- 從狀態初始化$\ket{0}$的 $n$ 量子位緩存器開始。
- 將 H 套用$至緩存器的每個量子位，將緩存器準備成統一迭加：$$|\text{緩存}\rangle=\frac{1}{\sqrt{器 N\sum}}_{x=0}^{N-1}|x$\rangle$$
- 將下列作業套用至快取器 $N_{\text{最佳}}$ 時間：
- 階段 oracle $O_f$ ，針對解決方案專案套用條件式階段移 $位 -1$ 。
- 將 H$ 套$用至緩存器中的每個量子位。
- 除了 以外的$\ket{0}$每個計算基礎狀態，條件式階段移位為 $-1$。 這可由單一運算 $-O_0$來表示，因為 $O_0$ 只表示條件式階段移位 $\ket{0}$ 。
- 將 H$ 套$用至緩存器中的每個量子位。
- 測量快取器，以取得具有非常高機率之方案之專案的索引。
- 檢查其是否為有效的解決方案。 如果沒有，請重新開始。
$\text{N_optimal=\left}\lfloor \pi{4}\sqrt{\frac{}{N}{M}}-{2}\right\frac{1}{\rfloor \frac{$ 是最佳反覆項目數目，可藉由測量緩存器來最大化取得正確專案的可能性。
注意
步驟3.b、3.c和3.d的聯合應用在文學中通常被稱為格羅弗的擴散運算符。
套用至緩存器的整體一元運算為：
$$（-H^ n}O_0H{\otimes^{\otimes n O_f}）^{N_{\text{最佳}}}H^{\otimes n}$$
依照註冊的狀態逐步執行
為了說明此程式，讓我們遵循緩存器狀態的數學轉換，簡單案例中只有兩個量子位，而有效元素為 $\ket{01}。$
緩存器會以狀態啟動： $$|\text{register}\rangle=|00\rangle$$
將 $H 套用至每個量子位之後，緩存器的狀態會轉換成：$$|\text{register\sum{1}{\sqrt{}\rangle{4}}=\frac{_{i \in \{0,1\}^2 i\rangle=\frac12}|（\ket{00}++\ket{01}+）\ket{10}\ket{11}$$$
然後，階段 Oracle 會套用至 get：$$|\text{register}\rangle=\frac12（{00}\ket{-{01}\ket{++）\ket{\ket{{10}{11}$$
然後 $H$ 會再次對每個量子位執行動作，以提供：$$|\text{緩存=\frac}\rangle器 12（\ket{{00}+\ket{{01}-\ket{{10}+）\ket{{11}$$
現在，條件式階段移會套用至每個狀態，但 ：$\ket{00}$$$|\text{register}\rangle\frac=12（{00}\ket{--\ket{{01}+\ket{{10}-）\ket{{11}$$
最後，第一個 Grover 反覆專案會再次套用 $H$ 以取得： $$|\text{register}\rangle=\ket{{01}$$
遵循上述步驟，即可在單一反覆專案中找到有效的專案。 如您稍後所見，這是因為 N=4 和單一有效專案 $N_\text{最佳}=1$。
幾何說明
若要查看 Grover 演演算法的運作原因，讓我們從幾何角度來研究演算法。 讓 $\ket{\text{「壞}}$ 」成為不是搜尋問題解決方案之所有狀態的迭加。 Supposing 有 $M$ 有效的解決方案：
$$\ket{\text{bad}}=\frac{{1}{\sqrt{N-M}}\sum_{x：f（x）=0}\ket{x}$$
狀態 $\ket{\text{良好}}$ 定義為所有狀態的迭加， 這些狀態是 搜尋問題的解決方案：
$$\ket{\text{good}}=\frac{{1}{\sqrt{M}}\sum_{x：f（x）=1}\ket{x}$$
由於好壞是互斥集合，因為專案無效且無效，所以好壞$\ket{\text{}}$的狀態$\ket{\text{}}$是正交的。 這兩種狀態都會形成向量空間中平面的正交基礎。 人們可以使用這個平面來可視化演算法。
現在，假設$\ket{\psi}$是一種任意狀態，存在於飛機上，跨越$\ket{\text{好}}$壞$\ket{\text{}}$。 生活在該平面中的任何狀態都可以以下列形式表示：
$$\ket{\psi}=\alpha\ket{\text{良好}} + \beta\ket{\text{壞}}$$
其中 $\alpha$ 和 $\beta$ 是實數。 現在，讓我們介紹反映運算符 $R_{\ket{\psi}}$，其中 $\ket{\psi}$ 是位於平面中的任何量子位狀態。 運算子定義為：
$${\ket{\psi}}=R_2\ket{\psi}\bra{\psi}-\mathcal{I}$$
它稱為反映運算符， $\ket{\psi}$ 因為它可以幾何方式解譯為有關 方向的 $\ket{\psi}$反映。 若要查看它，請採用 所 $\ket{\psi}$ 形成平面的正交基礎及其正交補 $\ket{\psi碼 ^{\perp}}$。 平面的任何狀態 $\ket{\習}$ 都可以以這類基礎分解：
$$\ket{\習}=\mu \ket{\psi} + \nu {\ket{\psi^{\perp}}}$$
如果運算子R_{\ket{\psi}}$套用$至 $\ket{\習}$：
$${\ket{\psi}}\ket{R_\習}=\mu \ket{\psi} - \nu {\ket{\psi^{\perp}}}$$
運算子 $R_\ket{\psi}$ 反轉元件正交， $\ket{\psi}$ 但讓 $\ket{\psi}$ 元件保持不變。 因此， $R_\ket{\psi}$ 是 關於的 $\ket{\psi}$反映。
Grover 的演算法，在每個量子位的第一個應用$$之後，會以所有狀態的統一迭加開始。 這可以撰寫為：
$$\ket{\text{all}}\sqrt{\frac{=M}{N}}\ket{\text{good}} + \sqrt{\frac{N-M}{N}}\ket{\text{bad}}$$
因此，國家住在飛機上。 請注意，從相等迭加測量時取得正確結果的機率只是 $|\braket{\text{好}|{\text{全部}}}|^2=M/N$，這是您從隨機猜測中預期的結果。
oracle $O_f$ 會將負階段新增至搜尋問題的任何解決方案。 因此，它可以寫入為不良}}$座標軸的$\ket{\text{反映：
$$={\ket{\text{O_f R_bad=}}} 2\ket{\text{壞}}\bra{\text{}} - \mathcal{I}$$
同樣地，條件式階段轉移 $O_0$ 只是狀態 $\ket{0}$的反轉反映：
$$O_0 = R_ -2\ket{{0}\bra{0} + \mathcal{{\ket{0}}= I}$$
知道這個事實，很容易檢查 Grover 擴散作業 $-H^{\otimes n} O_0 H^{\otimes n}$ 也是所有}$狀態$\ket{的反映。 只要執行：
$$-H^ n} O_0 H^ n}=2H{\otimes^{\otimes{\otimes n H{\otimes^ n}}\ket{0}\bra{{0} -H^{\otimes n}\mathcal I}H^{\otimes n=} 2\ket{\text{all}}\bra{\text{}} - \mathcal{{I}= R_all{\ket{\text{}}}$$
已示範 Grover 演算法的每個反覆專案都是兩個反映 $的組成，\ket{\text{R_bad}}$ 和 $R_\ket{\text{all}}$。
每個 Grover 反覆項目的組合效果是角度 $2\theta$ 的逆時針旋轉。 幸運的是，\theta$ 的角度$很容易找到。 因為 $\theta$ 只是所有}}$與$\ket{\text{壞}}$之間的$\ket{\text{角度，因此可以使用純量產品來尋找角度。 已知 $\cos{\theta}=\braket{\text{全都}|\text{不好}}$，所以一個人需要計算 $\braket{\text{所有}|\text{壞的}}$。 從壞和好方面分解$\ket{\text{一切$\ket{\text{}}$，它遵循：}}$$\ket{\text{}}$
$$\theta = \arccos{\left（\braket{\text{all}|\text{bad}}\right）}= \arccos{\left（\sqrt{\frac{N-M}{N}}\right）}$$
緩存器狀態與 $\ket{\text{良好}}$ 狀態之間的角度會隨著每個反覆項目而減少，因而產生較高的測量有效結果機率。 若要計算此機率，您只需要計算$|\braket{\text{良好的快取器}}|^2$}|\text{。 表示 good}}$ 和 $\ket{\text{register$\gamma}}$ （k）$之間的$\ket{\text{角度，其中 $k$ 是反覆項目計數：
$$\gamma （k） =\frac{\pi}{2}-\theta -k2\theta =\frac{\pi}{{2} -（2k + 1） \theta $$
因此，成功的機率是：
$$P（\text{success}） = \cos^2（\gammak）） = \sin^2\left[（2k +1）\arccos \left（\sqrt{\frac{N-M}{N}}\right）]\right$$
最佳反覆項目數目
由於成功機率可以寫入為反覆項目數目的函式，因此可以藉由計算最小正整數來找出最佳反覆運算數N_{\text{}}$最佳反覆運算數$，而此整數會最大化成功機率函式。
已知 $\sin^2{x}$ 達到 x=\frac{\pi}{2}$ 的第一個最大值$，因此：
$$\frac{\pi}{{2}=（2k_{\text{佳}} +1）\arccos \left（ \sqrt{\frac{N-M}{N}}\right）$$
這會提供：
$$k_{\text{optimal}}=\frac{\pi}{4\arccos\left（\sqrt{1-M/N}\right）}-1/2\frac{= \pi}{{4}\sqrt{\frac{N}{M}}-\frac{1}{2}-O\left（\sqrt\frac{M}{N）}\right$$
在最後一個步驟中，$\arccos \sqrt{1-x\sqrt{=}+} O（x^{3/2}）的位置。$
因此，您可以挑選$N_\text{\text{最佳}$$N_optimal}=\left\lfloor \frac{\pi}{{4}\sqrt{\frac{N}{M}}-\frac{{1}{2}\right\rfloor。$
複雜度分析
從先前的分析中，$需要 Oracle $O_f$的 O\left（\sqrt{\frac{N}{M}}\right）$ 查詢，才能尋找有效的專案。 不過，演算法是否可以在時間複雜度方面有效率地實作？ $$O_0是以 n$ 位計算$布爾運算為基礎，已知可使用 O（n）$ 閘道實作$。 還有兩層 $n$ 哈達馬德門。 因此，這兩個元件只需要 $每個反覆專案的 O（n）$ 網關。 因為 $N=2^n$，所以遵循 $O（n）=O（log（N））。$ 因此，如果需要$每次反覆運算的 O（N}{M}}\right）$ 反覆運算和 $O\left（\sqrt{\frac{log（N）閘道$，則總時間複雜度（而不考慮 Oracle 實作）是 $O\left（N M}}記錄（\sqrt{\frac{N}{）\right$。
演演算法的整體複雜度最終取決於 oracle $O_f$ 實作的複雜性。 如果量子計算機上的函式評估比傳統計算機複雜得多，則整體演算法運行時間在量子案例中會更長，即使從技術上而言，它仍會使用較少的查詢。
參考資料
如果您想要繼續瞭解 Grover 的演算法，您可以檢查下列任何來源：
- 洛夫·格羅弗的原創論文
- 尼爾森的量子搜尋演算法區段，M. A. &放大器;莊， I. L. （2010 年） 。 量子計算和量子資訊。
- Grover 在 Arxiv.org 上的演算法