Quantencomputer eignen sich sehr gut für Sampling-Verteilungen, von denen wir nicht wissen, wie man mit klassischen Computern Samples erstellt. Wenn zum Beispiel f eine Boolesche Funktion (von bis ) ist, die in Polynomzeit berechnet werden kann, können wir mit Quantencomputern effizient nach der von der beschriebenen Verteilung abtasten Fourier-Expansion von f. (Wir wissen nicht, wie man es mit klassischen Computern macht.)
Können wir Quantencomputer verwenden, um einen zufälligen Punkt in einem Polyeder abzutasten oder näherungsweise abzutasten, der durch ein System von n Ungleichungen in d Variablen beschrieben wird?
Der Übergang von den Ungleichungen zu den Punkten ähnelt für mich einer "Transformation". Darüber hinaus würde ich mich freuen, einen Quantenalgorithmus zu sehen, auch wenn Sie die Verteilung ändern, z. B. das Produkt der Gaußschen Verteilung betrachten, das durch die Hyperebenen des Polyeders beschrieben wird, oder einige andere Dinge.
Ein paar Anmerkungen: Dyer, Frieze und Kannan haben einen berühmten klassischen Polynom-Zeit-Algorithmus gefunden, um das Volumen eines Polyeders ungefähr abzutasten und ungefähr zu berechnen. Der Algorithmus basiert auf zufälligen Schritten und schnellem Mischen. Wir wollen also einen anderen Quantenalgorithmus für denselben Zweck finden. (Okay, wir können hoffen, dass ein Quantenalgorithmus auch zu Dingen in diesem Kontext führt, von denen wir nicht wissen, dass sie klassisch sind. Aber zu Beginn wollen wir nur einen anderen Algorithmus, dies muss möglich sein.)
Zweitens bestehen wir nicht einmal darauf, die gleichmäßige Verteilung näherungsweise zu untersuchen. Gerne probieren wir eine andere schöne Distribution aus, die von unserem Polyeder grob unterstützt wird. Es gibt ein Argument von Santosh Vampala (und auch von mir in einem anderen Zusammenhang), das von der Abtastung zur Optimierung führt: Wenn Sie die f (x) -Abtastung optimieren möchten, um einen Punkt y zu finden, an dem f (x) typisch ist. Addiere die Bedingung {f (x)> = f (y)} und wiederhole.