理论计算机科学

理论计算机科学家和相关领域的研究人员的问答

2
关于两个矩阵的问题:敏感性猜想的证明中的Hadamard诉“神奇的一个”
最近,令人难以置信的光滑的灵敏度猜想的证明依赖于基质的显式*施工An∈{−1,0,1}2n×2nAn∈{−1,0,1}2n×2nA_n\in\{-1,0,1\}^{2^n\times 2^n},递归地定义如下: A1=(0110)A1=(0110)A_1 = \begin{pmatrix} 0&1\\1&0\end{pmatrix} 并且,对于n≥2n≥2n\geq 2, An=(An−1In−1In−1−An−1)An=(An−1In−1In−1−An−1)A_{n} = \begin{pmatrix} A_{n-1}&I_{n-1}\\I_{n-1}&-A_{n-1}\end{pmatrix} 具体地,可以很容易地看到,A2n=nInAn2=nInA_n^2 = n I_n所有n≥1n≥1n\geq 1。 现在,也许我对此读得太多,但这至少在语法上与另一个著名的矩阵族Hadamard矩阵有关,该矩阵也使得H2n∝InHn2∝InH_n^2 \propto I_n且具有“相似”谱: H1=(111−1)H1=(111−1)H_1 = \begin{pmatrix} 1&1\\1&-1\end{pmatrix} ,并且对于n≥2n≥2n\geq 2, Hn=(Hn−1Hn−1Hn−1−Hn−1)Hn=(Hn−1Hn−1Hn−1−Hn−1)H_{n} = \begin{pmatrix} H_{n-1}&H_{n-1}\\H_{n-1}&-H_{n-1}\end{pmatrix} 两者之间是否有任何正式的联系(可能有用),只是“它们看起来模糊不清”? 例如,AnAnA_n视为超立方体的签名邻接矩阵{0,1}n{0,1}n\{0,1\}^n有一个很好的解释(边缘的符号(x,b,x′)∈{0,1}n(x,b,x′)∈{0,1}n(x,b,x')\in\{0,1\}^n是的奇偶前缀xxx)。HnHnH_n有类似物吗?(这可能很明显吗?) ∗∗^*我还想知道非显式结构(例如均匀随机的±1±1\pm1矩阵)是否具有所需的光谱特性,但这可能要等待另一个问题。

1
Shor算法的2016年实现是否真的可扩展?
此问题是从计算机科学堆栈交换迁移而来的,因为可以在理论计算机科学堆栈交换中回答。 迁移 3年前。 在2016年科学论文“ 可扩展Shor算法的实现 ” [ 1 ]中,作者分解了15个仅有5个量子位的因子,这比根据[ 2 ]的表1 和[ 3的表5]所要求的8个量子位要少。]。8比特的要求来自[ 4 ] 的末尾,它指出分解一个比特数所需的qubit 数为,对于15而言为。1.5 Ñ + 2 1.5 ⋅ 4 + 2 = 8ñnn1.5 n + 21.5n+21.5n+21.5 ⋅ 4 + 2 = 81.5⋅4+2=81.5\cdot 4 + 2=8 仅使用5个量子位的论文指出,他们的算法“将作用于M个量子位的QFT替换为重复作用于单个量子位的半经典QFT”,但是这种算法对算法复杂性的后果却从未提及。 现在,对论文以“可缩放”的方式声称因子15的批评遭到了严厉批评,正如他们在第2节中所说的那样,Shor算法的复杂性论点不再成立。但是,这种批评在任何地方都没有得到证实,《科学》杂志不断以Shor算法的“可扩展”版本而广受赞誉。“可伸缩” Shor算法的复杂性是什么? [ 1 ] Monz 等。(2016)科学。卷 351,第6277期,第1068-1070页 [ 2 …

2
哪些图形参数不集中在随机图形上?
众所周知,至少在边缘概率的某些范围内,许多重要的图形参数在随机图形上显示(强)集中度。一些典型示例是色数,最大集团,最大独立集,最大匹配,支配数,固定子图的副本数,直径,最大度数,选择数(列表着色数),Lovasz theta-数,树宽等θθ\theta 问题:哪些例外,即有意义的图形参数不集中在随机图上? 编辑。 浓度的可能定义是: 令为n个顶点随机图的图参数。我们称它为集中式,如果对于每个\ epsilon> 0,它认为 \ lim_ {n \ rightarrow \ infty} \ Pr \ big((1- \ epsilon)E(X_n)\ leq X_n \ leq(1+ \ epsilon )E(X_n)\ big)= 1。如果概率以指数速率接近1,则 集中度很高。但是有时会以不同的方式使用“强”,指的是收敛的事实随着间隔的缩小而保持正确,从而产生可能非常狭窄的范围。例如,如果X_n是最小度,则对于边缘概率p的某个范围,可以证明 ñXnXnX_nnnnϵ>0ϵ>0\epsilon>0limn→∞Pr((1−ϵ)E(Xn)≤Xn≤(1+ϵ)E(Xn))=1.limn→∞Pr((1−ϵ)E(Xn)≤Xn≤(1+ϵ)E(Xn))=1.\lim_{n\rightarrow\infty}\Pr\big((1-\epsilon)E(X_n)\leq X_n \leq (1+\epsilon)E(X_n)\big)=1.XnXnX_nppplimn→∞Pr(⌊E(Xn)⌋≤Xn≤⌈E(Xn)⌉)=1limn→∞Pr(⌊E(Xn)⌋≤Xn≤⌈E(Xn)⌉)=1\lim_{n\rightarrow\infty}\Pr\big(\lfloor E(X_n)\rfloor\leq X_n \leq \lceil E(X_n)\rceil\big)=1 ,这是最短的间隔(以度为单位)是整数,但预期值可能不是)。 注意:可以根据集中规则构造人为豁免。例如,如果图的边数为奇数,则令Xn=nXn=nX_n=n,否则为0。这显然不是集中的,但我不会认为它是有意义的参数。

1
确定平面图树宽的计算复杂度是否仍然开放?
对于常数,可以在给定输入图线性时间内确定其树宽是否为。但是,当同时给出和作为输入时,问题就很困难。(来源)。 ģk∈Nk∈Nk \in \mathbb{N}GGGķ ģ≤k≤k\leq kkkkGGG 但是,当输入图是平面时,似乎对复杂性知之甚少。这个问题显然是开在2010年,一个声称也出现在本次调查于2007年和分支分解的维基百科页面。相反,在先前提到的调查的较早版本中,该问题被称为NP困难(无参考证据),但我认为这是一个错误。 给定和平面图,确定具有树宽,确定问题的复杂性是否仍然开放?如果是的话,最近的一篇论文是否对此提出了要求?是否知道部分结果?如果不是,谁解决了? ģ ģ ≤ ķk∈Nk∈Nk \in \mathbb{N}GGGGGG≤k≤k\leq k

3
SAT oracle可以帮助多少加速多项式时间算法?
访问 oracle将为N P - P中的所有内容提供主要的超多项式加速(假定集合不为空)。但是,尚不清楚P从此oracle访问中可受益多少。当然,P中的加速不能是超多项式,但仍然可以是多项式。例如,是否可以使用S A T oracle来比不使用它来更快地找到最短路径?如何处理一些更复杂的任务,例如子模块函数最小化或线性编程?他们(或P中的其他自然问题)是否将从S A T中受益SATSATSATNP−PNP−P{\bf NP}-{\bf P}PP\bf PPP\bf PSATSATSATPP\bf PSATSATSAT 甲骨文? 更笼统地说,如果我们可以选择任何问题并为其使用预言,那么P中的哪些问题可以看到提速?NP−PNP−P{\bf NP}-{\bf P}PP\bf P

3
细粒度复杂性理论中的这些假设之间有什么关系?
复杂性理论通过诸如NP完整性之类的概念来区分具有相对有效解决方案的计算问题和难以解决的计算问题。“细粒度”的复杂性旨在将这种定性区别改进为定量指导,以解决问题所需的确切时间。可以在这里找到更多详细信息:http : //simons.berkeley.edu/programs/complexity2015 以下是一些重要的假设: ETH:333 - SATSATSAT要求2δn2δn2^{\delta n}时间对于某些δ>0δ>0 \delta > 0。 SETH:对于每个ε>0ε>0\varepsilon > 0,都有一个kkk使得n个变量上的kkk - 不能在2 (1 - ε )n p o l y m时间内求解m个子句。SATSATSATnnnmmm2(1−ε)n poly m2(1−ε)n poly m2^{(1-\varepsilon)n}~poly~m 众所周知,SETH比ETH强,并且两者都比P≠NPP≠NPP \neq NP强,并且都比FTP≠W[1]FTP≠W[1]FTP\neq W[1]。 其他四个重要猜想: 3SUM猜想:在{ − n 3,… ,n 3 }中的nnnn整数上的3SUM 需要n 2 − o (1 )时间{−n3,…,n3}{−n3,…,n3}\{-n^3,…,n^3\}n2−o(1)n2−o(1)n^{2-o(1)} OV猜想:向量上的正交向量nnn需要n2−o(1)n2−o(1)n^{2-o(1)}时间。 APSP猜想:nnn节点上的所有对最短路径和O(logn)O(log⁡n)O(\log n)位权重需要n3−o(1)n3−o(1)n^{3-o(1)}时间。 …

2
Cheeger常数
我读了无数的文章,确定图的Cheeger常数是NPNP\mathsf{NP} -hard。这似乎是一个民间定理,但我从未找到此说法的引用或证明。我应该归功于谁?在旧论文中(等图数,J。Comb。Theory B,1989年),Mohar仅证明了“对于具有多个边的图”的主张。

1
是否找到不使用蛮力搜索即可将两个单词分开的最小DFA?
给定两个字符串x和y,我想构建一个最小大小的DFA,它接受x并拒绝y。一种方法是蛮力搜索。您列举了DFA的最小编号。您尝试每个DFA,直到找到一个接受x并拒绝y的DFA。 我想知道是否还有其他已知的方法来查找或构建接受x并拒绝y的最小尺寸DFA。换句话说,我们可以击败蛮力搜索吗? 更多详情: (1)我确实希望算法找到最小大小的DFA,而不是最小大小的DFA。 (2)我不只是想知道最小DFA的大小。 (3)在这里,我仅关注您有两个字符串x和y的情况。 编辑: 有兴趣的读者的其他信息: 假设和y是长度最大为n的二进制字符串。它是一种已知的结果,有一个DFA接受X和拒绝ÿ至多√XxxÿyyñnnXxxÿyy个州。请注意,有大约ñ √ñ--√n\sqrt{n}具有二进制字母且最多√的DFAññ√nnn^{\sqrt{n}}个州。因此,强制方法不会要求我们更加枚举通过比ñ √ñ--√n\sqrt{n} DFA。由此可见,蛮力方法可能不会花费太多超过ñ √ññ√nnn^{\sqrt{n}}次。ññ√nnn^{\sqrt{n}} 我认为有帮助的幻灯片:https : //cs.uwaterloo.ca/~shallit/Talks/sep2.pdf

3
用多项式表示OR
我知道平凡OR功能上nnn变量x1,…,xnx1,…,xnx_1,\ldots, x_n可以准确地由多项式表示的p(x1,…,xn)p(x1,…,xn)p(x_1,\ldots,x_n)作为这样的: p(x1,…,xn)=1−∏ni=1(1−xi)p(x1,…,xn)=1−∏i=1n(1−xi)p(x_1,\ldots,x_n) = 1-\prod_{i = 1}^n\left(1-x_i\right),其次数为nnn。 但是,我怎么能证明什么似乎很明显,如果是正好代表或功能的多项式(所以∀ X ∈ { 0 ,1 } ñ:p (X )= ⋁ ñ 我= 1 X 我),然后度(p )≥ ñ?ppp∀x∈{0,1}n:p(x)=⋁ni=1xi∀x∈{0,1}n:p(x)=⋁i=1nxi\forall x \in \{0,1\}^n : p(x) = \bigvee_{i = 1}^n x_ideg(p)≥ndeg⁡(p)≥n\deg(p) \ge n

1
为什么哈密尔顿循环与永久循环如此不同?
多项式是单调凸起的多项式克(Ý 1,... ,ÿ 米)如果米 =聚(Ñ ),并且有一个赋值 π :{ Ý 1,... ,ÿ 米 } → { X 1,... ,X ñ,0 ,1f(x1,…,xn)f(x1,…,xn)f(x_1,\ldots,x_n)g(y1,…,ym)g(y1,…,ym)g(y_1,\ldots,y_m)mmm(n)(n)(n) ,使得 f (x 1,… ,x n)= g (π (y 1),… ,π (y m))。也就是说,有可能替换每个变量 ÿ Ĵ的克由可变 X 我或恒定 0或 1,使得所得多项式重合与 ˚F。 π:{y1,…,ym}→{x1,…,xn,0 ,1 }π:{y1,…,ym}→{x1,…,xn,0,1}\pi:\{y_1,\ldots,y_m\}\to\{x_1,\ldots,x_n, 0,1\}F(x1个,… ,xñ)= g(π(y1个),… ,π(y米))f(x1,…,xn)=g(π(y1),…,π(ym))f(x_1,\ldots,x_n)=g(\pi(y_1),\ldots,\pi(y_m))ÿĴyjy_jGggX一世xix_i0001个11Fff 我对永久多项式PER和汉密尔顿循环多项式HAM之间的差异感兴趣(原因): ,其中所述第一求和是在 所有排列ħ …

1
确定二次语言中规则语言的交集是否为空
令L1,L2L1,L2L_1,L_2为NFA M1,M2M1,M2M_1,M_2作为输入给出的两种常规语言。 假设我们想检查是否L1∩L2≠∅L1∩L2≠∅L_1\cap L_2\neq \emptyset。显然,这可以通过计算的乘积自动机的二次算法来完成,但是我想知道是否有更有效的方法。M1,M2M1,M2M_1,M_2 是否有一个o(n2)o(n2)o(n^2)算法用于判定是否L1∩L2≠∅L1∩L2≠∅L_1\cap L_2\neq \emptyset?什么是最快的已知算法?

1
采样可满足的3-SAT公式
考虑以下计算任务:我们要针对均匀概率分布抽样一个由变量(变体:变量子句)组成的3-SAT公式,条件是该公式可满足:Ñ 米ñnnñnn米mm 问题1:能否通过传统计算机(带有随机位)有效地实现这一点? 问题2:量子计算机能否有效地实现这一目标? 我也对以下两个变体感兴趣: V2:对所有公式进行抽样,并获得概率分布,该概率分布使可满足的公式的权重是不满足的公式的权重的两倍。 V3:您在其中权重是满足要求的作业数量的示例(此处仅关注Q2)。 更新: Colins的答案演示了V3的简单算法。(我假设这在传统上是困难的,这是错误的。)让我提及所有三个问题的另一个变体: 您需要预先指定子句,并且需要对输入子句的随机可满足子集进行采样。米mm

1
多项式大小的DFA识别的语言
对于一个固定的有限字母表,正式语言超过是规则,如果存在一个确定性有限自动机(DFA)超过它接受准确。大号ΣΣ\SigmaLLLΣΣ\SigmaΣΣ\SigmaLLL 我对“几乎”规则的语言感兴趣,因为它们可以被大小自动增长的自动机系列识别,自动机系列的大小随词长的增长呈多项式增长。 形式上来说,如果对于每个单词,则DFA 家族可以识别形式语言,令,在如果接受(无论其他接受),然后让我将p常规语言定义为多项式大小的PTIME可计算 DFA系列识别的语言,即是多项式,使得全部LLL 瓦特∈ Σ * Ñ = | w | 瓦特大号甲Ñ瓦特甲我(An)(An)(A_n)w∈Σ∗w∈Σ∗w \in \Sigma^*n=|w|n=|w|n = |w|wwwLLLAnAnA_nwwwAiAiA_iP | A n | ≤ P (Ñ )ñ(An)(An)(A_n)PPP|An|≤P(n)|An|≤P(n)|A_n| \leq P(n)nnn。(这个名称是“ p-regular”,这是我编写的,我的问题是要知道是否存在另一个名称。请注意,就排列自动机而言,这与p-regular语言并不相同。) 这类p常规语言当然包括常规语言(对于所有都取,其中是一些识别常规语言的DFA);但这是它的严格超集:例如,众所周知,是上下文无关的,但不是常规的,但是它是p-常规(只需要计数次出现的和次出现的)。但是,由于我要求自动机必须是多项式大小的DFA,因此某些形式语言(实际上是一些无上下文语言)不是Ñ 甲{ 一个Ñ b Ñ | Ñ ∈ Ñ } 甲Ñ Ñ 一个Ñ bAn=AAn=AA_n = AnnnAAA{anbn∣n∈N}{anbn∣n∈N}\{a^n b^n \mid n \in \mathbb{N}\}AnAnA_nnnnaaannnbbbp-regular:例如,回文的语言不是p-regular,因为从直观上讲,当您阅读单词的前半部分时,您需要具有尽可能多的不同状态,因为您需要准确地将前半部分与后半部分匹配 …

2
结识别作为工作证明
当前,比特币具有使用SHA256的工作量证明(PoW)系统。其他哈希函数使用工作量证明系统使用图形,部分哈希函数反转。 是否可以在打结理论中使用诸如打结识别之类的决策问题并将其转化为工作功能的证明?也有人做过吗?另外,当我们具有此工作量证明功能时,它将比当前正在计算的功能更有用吗?

1
联合树问题的随机查询复杂度
Childs等人在2003年发表的重要论文。引入了“联合树问题”:一个承认指数量子加速的问题,这与我们所知道的任何其他此类问题都不一样。在这个问题中,我们得到了一个指数级的图形,如下图所示,它由两个深度为n的完整二叉树组成,它们的叶子通过一个随机周期相互连接。我们提供了ENTRANCE顶点的标签。我们还提供了一个预言机,该预言机给定任何顶点的标签,告诉我们其相邻节点的标签。我们的目标是找到EXIT顶点(可以轻松识别,它是图形中除ENTRANCE顶点之外唯一的2度顶点)。我们可以假设标签是随机的长字符串,因此,以极大的概率,除ENTRANCE顶点以外的其他顶点由oracle赋予。 查尔兹等。表明量子游走算法能够简单地遍历该图,并在poly(n)步骤之后找到EXIT顶点。相比之下,他们还表明,任何经典的随机算法都需要exp(n)步骤才能高概率地找到EXIT顶点。他们将其下界表示为Ω(2 n / 6),但我认为仔细检查其证明会得出Ω(2 n / 2)。直观地讲,这是因为以极大的概率,图上的随机游走(甚至是自我规避的游走等)将在广阔的中间区域停留一段指数时间:任何时候,步行者开始向出口走去,远离EXIT的大量边缘将作为“排斥力”,将其推向中间。 他们对参数进行形式化的方式是表明,直到访问〜2 n / 2个顶点之前,随机算法甚至都没有在图中找到任何循环:到目前为止,所看到的诱导子图只是一棵树,没有提供有关退出顶点可能在哪里的任何信息。 我有兴趣更精确地确定此问题的随机查询复杂度。我的问题是这样的: 谁能提出一种经典算法,以不到2 n的步长找到EXIT顶点,比如O(2 n / 2)或O(2 2n / 3)?或者,有人能给出比Ω(2 n / 2)更好的下界吗? (请注意,根据生日悖论,在O(2 n / 2)个步骤之后在图形中查找循环并不难。问题是,是否可以使用循环来获取有关EXIT顶点在哪里的任何线索。) 如果有人可以改善超过Ω(2 n / 2)的下界,那么据我所知,这将提供具有指数量子加速比的黑盒问题的第一个可证明示例,其随机查询复杂度大于√N 。(其中N〜2 n是问题大小。) 更新:我从安德鲁·柴尔兹(Andrew Childs)那里了解到,在本笔记中,芬纳(Fenner)和张(Zhang)明确将联合树的随机下界提高到Ω(2 n / 3)。如果他们愿意接受恒定的(​​而不是指数上较小的)成功概率,我相信他们可以将界限进一步提高到Ω(2 n / 2)。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.