Shor算法

来源

1994 1994 1994年，应用数学家 S h o r Shor Shor提出了一个实用的量子算法，通常称为 S h o r Shor Shor算法。其思想是将整数质因子分解问题转化为求解量子傅里叶变换的周期, 将多个输入制备为量子态叠加, 进行并行处理和操作, 从而达到了量子加速的目的，可以在多项式时间内完成大整数质因数分解。所以 S h o r Shor Shor算法从诞生之时，就和以 R S A RSA RSA算法为根基的加密技术形成了不可调和的矛盾。

Shor算法的大致流程

完整的 S h o r Shor Shor算法需要经典计算机和量子计算机协作完成。其中量子计算机实现一个周期查找的函数，经典计算机负责整个算法流程的控制，以及调用量子算法。我们可以简单的讲 S h o r Shor Shor算法分成两个部分：
1.第一部分是讲因子分解问题转化为成周期问题，这部分可以用传统方式实现。
2.第二部分则是使用量子手段来搜寻这个周期，这一部分是 S h o r Shor Shor算法中体现量子加速的主要部分！

因数分解

假设待分解的整数为 N N N，分解步骤为：
1.选择任意数字 1 < a < N 1<a<N 1<a<N；
2.计算 g c d ( a , N ) gcd(a,N) gcd(a,N)，要满足 g c d ( a , N ) = 1 gcd(a,N)=1 gcd(a,N)=1，即 a a a与 N N N互质，否则返回第一步；
3.构造函数 f ( x ) = a x m o d N f(x)=a^xmodN f(x)=axmodN，并且寻找最小周期 r r r，使得 f ( x + r ) = f ( x ) f(x+r)=f(x) f(x+r)=f(x)；(此为量子计算步骤)
4.若 r r r为奇数，则返回第一步；
5.若 a r 2 m o d N = − 1 a^{\frac{r}{2}}modN=-1 a2rmodN=−1，返回第一步；若 a r 2 m o d N ≠ − 1 a^{\frac{r}{2}}modN\ne-1 a2rmodN=−1，则 g c d ( a r 2 ± 1 , N ) gcd(a^{\frac{r}{2}}\pm1,N) gcd(a2r±1,N)所求的质因数为 p = g c d ( g c d ( a r 2 + 1 , N ) , q = g c d ( g c d ( a r 2 − 1 , N ) p=gcd(gcd(a^{\frac{r}{2}}+1,N),q=gcd(gcd(a^{\frac{r}{2}}-1,N) p=gcd(gcd(a2r+1,N),q=gcd(gcd(a2r−1,N)，至此，完成分解。

下面我们看一个具体的例子：
例用 S h o r Shor Shor算法对 N = 15 N=15 N=15进行分解。
不妨取 a = 7 a=7 a=7，其满足 g c d ( 7 , 15 ) = 1 gcd(7,15)=1 gcd(7,15)=1，因此，构造函数为 f ( x ) = 7 x m o d 15 f(x)=7^xmod15 f(x)=7xmod15，有：
f ( 0 ) = 7 0 m o d 15 = 1 , f ( 1 ) = 7 1 m o d 15 = 7 , f ( 2 ) = 7 2 m o d 15 = 4 , f ( 3 ) = 7 3 m o d 15 = 13 , f ( 4 ) = 7 4 m o d 15 = 1 , f ( 5 ) = 7 5 m o d 15 = 7 , f ( 6 ) = 7 6 m o d 15 = 4 , f ( 7 ) = 7 7 m o d 15 = 13 , f ( 85 ) = 7 8 m o d 15 = 1 , f ( 9 ) = 7 9 m o d 15 = 7 , f ( 10 ) = 7 10 m o d 15 = 4 , f ( 11 ) = 7 11 m o d 15 = 13. f(0)=7^0mod15=1,f(1)=7^1mod15=7,f(2)=7^2mod15=4,f(3)=7^3mod15=13,\\ f(4)=7^4mod15=1,f(5)=7^5mod15=7,f(6)=7^6mod15=4,f(7)=7^7mod15=13,\\ f(85)=7^8mod15=1,f(9)=7^9mod15=7,f(10)=7^{10}mod15=4,f(11)=7^{11}mod15=13. f(0)=70mod15=1,f(1)=71mod15=7,f(2)=72mod15=4,f(3)=73mod15=13,f(4)=74mod15=1,f(5)=75mod15=7,f(6)=76mod15=4,f(7)=77mod15=13,f(85)=78mod15=1,f(9)=79mod15=7,f(10)=710mod15=4,f(11)=711mod15=13.
不难看出，周期 r = 4 r=4 r=4，且 a r 2 m o d N = 7 4 2 m o d 15 = 4 ≠ − 1 a^{\frac{r}{2}}modN=7^{\frac{4}{2}}mod15=4\ne-1 a2rmodN=724mod15=4=−1，那么有
p = g c d ( 50 , 15 ) = 5 , q = g c d ( 48 , 15 ) = 3 p=gcd(50,15)=5,q=gcd(48,15)=3 p=gcd(50,15)=5,q=gcd(48,15)=3
传统计算机储存的是数据，而量子计算机储存的是分解后的结果，这一步不需要任何计算成本。量子计算机再分解的时候其实就是储存的过程，每个正交状态对应一个素数，存储的过程天然就分解了这个数。尽量不要把 1 , 0 1,0 1,0的传统概念套上去，并不利于理解。比如 15 15 15怎么在量子态下表示？首先找到对应的正交态，则自然是素数了， 15 = 3 × 5 15=3\times5 15=3×5，那么， ∣ 15 ⟩ = ∣ 3 ⟩ + ∣ 5 ⟩ |15\rangle=|3\rangle+|5\rangle ∣15⟩=∣3⟩+∣5⟩就可以了，这里的正交态对应的就是传统的 1 , 0 1,0 1,0。

周期求取与量子傅里叶变换(QFT)

对两组有 m m m个量子比特的存储器进行幺正变换得到纠缠状态：
∑ i = 0 2 m − 1 ∣ x i ⟩ ⊗ ∣ f ( x i ) ⟩ , f ( x ) = a x m o d N \sum\limits_{i=0}^{2^m-1}|x_i\rangle\otimes|f(x_i)\rangle,f(x)=a^xmodN i=0∑2m−1∣xi⟩⊗∣f(xi)⟩,f(x)=axmodN
对量子位进行傅里叶变换，即：
Q F T : ∣ x ⟩ → 1 2 m ∑ k = 0 2 m − 1 e 2 π k x / 2 m ∣ k ⟩ QFT:|x\rangle\to\frac{1}{\sqrt{2^m}}\sum\limits_{k=0}^{2^m-1}e^{2\pi kx/2^m}|k\rangle QFT:∣x⟩→2m 1k=0∑2m−1e2πkx/2m∣k⟩
可以看出，量子傅里叶变换就是将态前面的叠加系数变为原叠加系数的离散傅里叶变换。
将两个寄存器 R 1 R_1 R1和 R 2 R_2 R2初始化为 0 0 0，即：
∣ Ψ 0 ⟩ = ∣ R 1 ⟩ ∣ R 2 ⟩ = ∣ 0 ⟩ ∣ 0 ⟩ = ∣ 00 … ⟩ ∣ 00 … ⟩ |\Psi_0\rangle=|R_1\rangle|R_2\rangle=|0\rangle|0\rangle=|00\dots\rangle|00\dots\rangle ∣Ψ0⟩=∣R1⟩∣R2⟩=∣0⟩∣0⟩=∣00…⟩∣00…⟩
其中， R 1 R_1 R1存放函数的输入变量， R 2 R_2 R2存放计算结果。接着，对 R 1 R_1 R1中的每一位作 H H H变换，有：
H : ∣ Ψ 0 ⟩ → ∣ Ψ 1 ⟩ = 1 2 m ∑ x = 0 2 m − 1 ∣ x ⟩ ∣ 0 ⊗ f ( x ) ⟩ = 1 2 m ∑ x = 0 2 m − 1 ∣ x ⟩ ∣ a x m o d N ⟩ H:|\Psi_0\rangle\to|\Psi_1\rangle=\frac{1}{\sqrt{2^m}}\sum\limits_{x=0}^{2^m-1}|x\rangle|0\otimes f(x)\rangle=\frac{1}{\sqrt{2^m}}\sum\limits_{x=0}^{2^m-1}|x\rangle|a^xmodN\rangle H:∣Ψ0⟩→∣Ψ1⟩=2m 1x=0∑2m−1∣x⟩∣0⊗f(x)⟩=2m 1x=0∑2m−1∣x⟩∣axmodN⟩
此时， R 1 R_1 R1和 R 2 R_2 R2处于纠缠状态。
测量 ∣ R 2 ⟩ |R_2\rangle ∣R2⟩，并假设其态坍缩为 z = a l m o d N z=a^lmodN z=almodN。因为 f ( x ) f(x) f(x)的周期为 r r r，所以 a l m o d N = a l + j r m o d N ( l < r , j = 0 , 1 , ⋯ , A ) , A a^lmodN=a^{l+jr}modN(l<r,j=0,1,\cdots,A),A almodN=al+jrmodN(l<r,j=0,1,⋯,A),A是小于 ( 2 m − l ) / r (2^m-l)/r (2m−l)/r的最大整数，因此有：
x = l , l + r , ⋯ , l + A r x=l,l+r,\cdots,l+Ar x=l,l+r,⋯,l+Ar
∣ R 2 ⟩ |R_2\rangle ∣R2⟩坍缩时， ∣ R 1 ⟩ |R_1\rangle ∣R1⟩相对应地坍缩为：
∣ R 1 ⟩ = 1 A + 1 ∑ j = 0 A ∣ l + j r ⟩ |R_1\rangle=\frac{1}{\sqrt{A+1}}\sum\limits_{j=0}^A|l+jr\rangle ∣R1⟩=A+1 1j=0∑A∣l+jr⟩
可见， ∣ R 1 ⟩ |R_1\rangle ∣R1⟩是以 r r r为周期的一组态的叠加。若 2 m 2^m 2m是 r r r的整数倍，设 A = 2 m / r − 1 A=2^m/r-1 A=2m/r−1,有：
∣ R 1 ⟩ = r 2 m ∑ j = 0 2 m / r − 1 ∣ l + j r ⟩ = ∑ x = 0 2 m / r − 1 f ( x ) ∣ x ⟩ |R_1\rangle=\sqrt{\frac{r}{2^m}}\sum\limits_{j=0}^{2^m/r-1}|l+jr\rangle=\sum\limits_{x=0}^{2^m/r-1}f(x)|x\rangle ∣R1⟩=2mr j=0∑2m/r−1∣l+jr⟩=x=0∑2m/r−1f(x)∣x⟩
其中，若 x − l x-l x−l为 r r r的整数倍，那么 f ( x ) = r / 2 m f(x)=\sqrt{r/2^m} f(x)=r/2m ；否则， f ( x ) = 0 f(x)=0 f(x)=0.
此时，对 ∣ R 1 ⟩ |R_1\rangle ∣R1⟩作量子傅里叶变换，有：
∣ R 1 ⟩ Q F T = ∑ c ∼ f ( c ) ∣ c ⟩ , f ~ ( c ) = r 2 m ∑ j = 0 2 m / r − 1 e 2 π ( l + j r ) c / 2 m = r 2 m e 2 π j r c / 2 m c |R_1\rangle_{QFT}=\sum_c\nolimits^{\sim}f(c)|c\rangle,\tilde{f}(c)=\frac{\sqrt{r}}{2^m}\sum\limits_{j=0}^{2^m/r-1}e^{2\pi(l+jr)c/2^m}=\frac{\sqrt{r}}{2^m}e^{2\pi jrc/2^m}c ∣R1⟩QFT=∑c∼f(c)∣c⟩,f~(c)=2mr j=0∑2m/r−1e2π(l+jr)c/2m=2mr e2πjrc/2mc
当 c c c为 2 m / r 2^m/r 2m/r的整数倍时， r 2 m ∑ j = 0 2 m / r − 1 e 2 π ( l + j r ) c / 2 m = 2 m r \frac{\sqrt{r}}{2^m}\sum\limits_{j=0}^{2^m/r-1}e^{2\pi(l+jr)c/2^m}=\frac{2^m}{r} 2mr j=0∑2m/r−1e2π(l+jr)c/2m=r2m，否则 r 2 m ∑ j = 0 2 m / r − 1 e 2 π ( l + j r ) c / 2 m = 0 \frac{\sqrt{r}}{2^m}\sum\limits_{j=0}^{2^m/r-1}e^{2\pi(l+jr)c/2^m}=0 2mr j=0∑2m/r−1e2π(l+jr)c/2m=0
量子傅里叶变换增强了所需要的结果，使不需要的结果的概率为 0 0 0。由此可得，若 c c c为 2 m / r 2^m/r 2m/r的整数倍 k k k时，有：
∣ R 1 ⟩ Q F T = 1 r ∑ k = 0 r − 1 e 2 π l k ∣ k 2 m r ⟩ |R_1\rangle_{QFT}=\frac{1}{\sqrt{r}}\sum\limits_{k=0}^{r-1}e^{2\pi lk}|\frac{k2^m}{r}\rangle ∣R1⟩QFT=r 1k=0∑r−1e2πlk∣rk2m⟩
即周期从 r r r变为 2 m / r 2^m/r 2m/r
此时测量 ∣ R 1 ⟩ |R_1\rangle ∣R1⟩_{QFT}，得到 c ′ = k 2 m r c^{'}=\frac{k2^m}{r} c′=rk2m，故 c ′ 2 m = k r \frac{c^{'}}{2^m}=\frac{k}{r} 2mc′=rk。因为 c ′ c^{'} c′和 2 m 2^m 2m均已知，若 g c d ( k , r ) = 1 gcd(k,r)=1 gcd(k,r)=1，则可求出 r r r。最大的 r r r记为所求的 f ( x ) f(x) f(x)的周期。
将 S h o r Shor Shor算法用于例 1 1 1可得：
∣ Ψ 3 ⟩ = 1 2 4 ∑ x = 0 2 4 − 1 ∣ x ⟩ ∣ a x m o d N ⟩ = 1 2 4 ( ∣ 0 , 1 ⟩ + ∣ 1 , 7 ⟩ + ∣ 2 , 4 ⟩ + ∣ 3 , 13 ⟩ + ∣ 4 , 1 ⟩ + ⋯ + ∣ 15 , 13 ⟩ ) = 1 2 4 [ ( ∣ 0 ⟩ + ∣ 4 ⟩ + ∣ 8 ⟩ + ∣ 12 ⟩ ) ⊗ ∣ 1 ⟩ + ⋯ ] |\Psi_3\rangle=\frac{1}{\sqrt{2^4}}\sum\limits_{x=0}^{2^4-1}|x\rangle|a^xmodN\rangle=\frac{1}{\sqrt{2^4}}(|0,1\rangle+|1,7\rangle+|2,4\rangle+|3,13\rangle+|4,1\rangle+\cdots+|15,13\rangle)\\ =\frac{1}{\sqrt{2^4}}[(|0\rangle+|4\rangle+|8\rangle+|12\rangle)\otimes|1\rangle+\cdots] ∣Ψ3⟩=24 1x=0∑24−1∣x⟩∣axmodN⟩=24 1(∣0,1⟩+∣1,7⟩+∣2,4⟩+∣3,13⟩+∣4,1⟩+⋯+∣15,13⟩)=24 1[(∣0⟩+∣4⟩+∣8⟩+∣12⟩)⊗∣1⟩+⋯]
投影算符 P ∣ 1 ⟩ = ∣ 1 ⟩ ⟨ 1 ∣ P_{|1\rangle}=|1\rangle\langle1| P∣1⟩=∣1⟩⟨1∣，有：
∣ Ψ 4 ⟩ = 1 2 4 = 1 2 4 ( ∣ 0 ⟩ + ∣ 4 ⟩ + ∣ 8 ⟩ + ∣ 12 ⟩ ) ⊗ ( ∣ 1 ⟩ ⟨ 1 ∣ ) ∣ 1 ⟩ |\Psi_4\rangle=\frac{1}{\sqrt{2^4}}=\frac{1}{2^4}(|0\rangle+|4\rangle+|8\rangle+|12\rangle)\otimes(|1\rangle\langle1|)|1\rangle ∣Ψ4⟩=24 1=241(∣0⟩+∣4⟩+∣8⟩+∣12⟩)⊗(∣1⟩⟨1∣)∣1⟩
已知，对 ∣ x ⟩ |x\rangle ∣x⟩作傅里叶变换为：
Q F T : ∣ x ⟩ → 1 2 m ∑ k = 0 2 m − 1 e 2 π i k x / 2 m ∣ k ⟩ = 1 2 4 ∑ k = 0 2 4 − 1 e 2 π i k x / 16 ∣ k ⟩ QFT:|x\rangle\to\frac{1}{\sqrt2^m}\sum\limits_{k=0}^{2^m-1}e^{2\pi ikx/2^m}|k\rangle=\frac{1}{\sqrt{2^4}}\sum\limits_{k=0}^{2^4-1}e^{2\pi ikx/16}|k\rangle QFT:∣x⟩→2 m1k=0∑2m−1e2πikx/2m∣k⟩=24 1k=0∑24−1e2πikx/16∣k⟩
那么对 ∣ 0 ⟩ , ∣ 4 ⟩ , ∣ 8 ⟩ , ∣ 12 ⟩ |0\rangle,|4\rangle,|8\rangle,|12\rangle ∣0⟩,∣4⟩,∣8⟩,∣12⟩分别做傅里叶变换，有：

将上述四个式子相加可得：
1 4 ( ∣ 0 ⟩ + ∣ 4 ⟩ + ∣ 8 ⟩ + ∣ 12 ⟩ ) \frac{1}{\sqrt{4}}(|0\rangle+|4\rangle+|8\rangle+|12\rangle) 4 1(∣0⟩+∣4⟩+∣8⟩+∣12⟩)
由此，可以得到周期为 r = 4 r=4 r=4，且 a r 2 m o d N = 7 4 2 m o d 15 = 4 ≠ 1 a^{\frac{r}{2}}modN=7^{\frac{4}{2}}mod15=4\ne1 a2rmodN=724mod15=4=1，那么有 p = g d c ( 50 , 15 ) = 5 , q = g c d ( 48 , 15 ) = 3 p=gdc(50,15)=5,q=gcd(48,15)=3 p=gdc(50,15)=5,q=gcd(48,15)=3。
S h o r Shor Shor算法不能保证每次运行都能得到正确的结果。假设成功的概率是 1 − j 1-j 1−j，通过重复 k k k次实验，至少成功一次的概率为 1 − j k 1-j^k 1−jk。不难看出，可以通过增加实验的次数来提高实验成功的概率。所以 S h o r Shor Shor算法是一种随机算法。

《基于张量网络的机器学习入门》学习笔记8(Shor算法)相关推荐

《基于张量网络的机器学习入门》学习笔记7
<基于张量网络的机器学习入门>学习笔记7 量子算法什么是量子算法三个经典量子算法 Grover算法背景基本原理例题量子算法什么是量子算法例如我们求解一个问题,一个111千克 ...
《基于张量网络的机器学习入门》学习笔记6
<基于张量网络的机器学习入门>学习笔记6 密度算符(密度矩阵) 具体到坐标表象在纯态上在混合态上纯态下的密度算符混合态下的密度算符密度算符的性质量子力学性质的密度算符描述第一 ...
《基于张量网络的机器学习入门》学习笔记5
<基于张量网络的机器学习入门>学习笔记5 量子概率体系事件互斥事件概率与测量不相容属性对相容属性对量子概率与经典概率的区别量子测量量子概率体系我们将经典的实数概率扩展到复 ...
《基于张量网络的机器学习入门》学习笔记4
<基于张量网络的机器学习入门>学习笔记4 量子概率将概率复数化分布与向量的表示事件与Hilbert空间不兼容属性及其复数概率表示为什么一定要复数概率量子概率将概率复数化在经 ...
《基于张量网络的机器学习入门》学习笔记2
<基于张量网络的学习入门>学习笔记2 量子逻辑门单量子逻辑门恒等操作泡利-X门(Pauli-X gate) 泡利-Y门(Pauli-Y gate) 泡利-Z门(Pauli-Z gat ...
《基于张量网络的机器学习入门》学习笔记1
<基于张量网络的学习入门>学习笔记1 量子力学的三大奥义什么是量子量子力学的三大奥义--叠加.测量和纠缠第一大奥义:量子的叠加态第二大奥义:量子的测量第三大奥义:量子的纠缠态量 ...
Kaggle教程机器学习入门学习笔记
机器学习入门学习笔记 [跳转]<Kaggle教程机器学习入门>系列课程目录 >> 决策树简介:是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零 ...
机器学习入门学习笔记：（4.2）SVM的核函数和软间隔
前言之前讲了有关基本的SVM的数学模型(机器学习入门学习笔记:(4.1)SVM算法).这次主要介绍介绍svm的核函数.软间隔等概念,并进行详细的数学推导.这里仅将自己的笔记记录下来,以便以后复习查看 ...
机器学习入门学习笔记：（3.2）ID3决策树程序实现
前言之前的博客中介绍了决策树算法的原理并进行了数学推导(机器学习入门学习笔记:(3.1)决策树算法).决策树的原理相对简单,决策树算法有:ID3,C4.5,CART等算法.接下来将对ID3决策树算法 ...

《基于张量网络的机器学习入门》学习笔记8(Shor算法)

《基于张量网络的机器学习入门》学习笔记8

Shor算法

来源

Shor算法的大致流程

因数分解

周期求取与量子傅里叶变换(QFT)

《基于张量网络的机器学习入门》学习笔记8(Shor算法)相关推荐

最新文章

热门文章