真实性还是启发式方法？基于量子强化学习的联接顺序优化
量子物理
2025-02-24 v1 数据库
机器学习
摘要
识别最佳联接顺序（join order，JO）是数据库研究与工程中的关键挑战。由于搜索空间庞大，经典方法依赖于近似和启发式方法。近期研究成功地探索了使用强化学习（RL）进行 JO。同样，量子版本的 RL 也受到广泛关注。然而，是否存在可持续的整体实用优势以提升量子处理器而言，仍是一个开放问题。本文提出了一种新方法，基于混合变分量子 ansatz 使用量子强化学习（QRL）进行 JO。该方法能够处理通用的 bushy join tree，而不必像基于量子（或受量子启发）优化的方法那样仅限于较简单的 left-deep 变体，同时只需少量数量级的量子比特，这在即使是后 NISQ 系统中也是稀缺资源。尽管该 ansatz 需要较深的电路深度，仍超出当前 NISQ 的能力，需通过数值仿真进行评估。尽管 QRL 在解决 JO 问题时可能不会在结果质量方面显著超越经典方法（尽管我们看到持平），但我们发现训练所需的可训练参数数量大幅减少。这有助于从较短的训练时间（相对于经典 RL）、较少的经典优化步骤，或更好地利用可用训练数据等实际相关方面，以及适合数据流和低延迟处理场景。我们的全面评估和审慎讨论为可能的实际量子优势提供了平衡的视角，为未来系统方法提供了见解，并允许定量评估量子方法在数据库管理系统中最关键问题之一的实际权衡。
关键词
引用
@article{arxiv.2405.07770,
title = {Hype or Heuristic? Quantum Reinforcement Learning for Join Order Optimisation},
author = {Maja Franz and Tobias Winker and Sven Groppe and Wolfgang Mauerer},
journal= {arXiv preprint arXiv:2405.07770},
year = {2025}
}