কোয়ান্টাম কম্পিউটারগুলি বিতরণের নমুনা দেওয়ার জন্য খুব ভাল যা আমরা ক্লাসিকাল কম্পিউটার ব্যবহার করে কীভাবে নমুনা বজায় রাখতে পারি তা জানিনা। উদাহরণস্বরূপ যদি f একটি বুলিয়ান ফাংশন হয় ( থেকে ) যা বহুবর্ষের মধ্যে গণনা করা যায় তবে কোয়ান্টাম কম্পিউটারের সাথে আমরা দক্ষতার সাথে বর্ণিত বিতরণ অনুযায়ী নমুনা করতে পারি ফুয়ারিয়ার সম্প্রসারণ চ। (ক্লাসিকাল কম্পিউটারগুলির মাধ্যমে এটি কীভাবে করা যায় তা আমরা জানি না))- 1 , 1
আমরা কি কোয়ান্টাম কম্পিউটারগুলি নমুনার জন্য ব্যবহার করতে পারি বা ডি ভেরিয়েবলের এন অসমতার সিস্টেম দ্বারা বর্ণিত পলিহেড্রোনটিতে প্রায় একটি নমুনা বিন্দু নমুনা করতে পারি?
অসমতা থেকে পয়েন্টগুলিতে সরানো আমার কাছে কিছুটা "রূপান্তর" এর অনুরূপ। তদুপরি, আপনি বিতরণটি সংশোধন করেও কোয়ান্টাম অ্যালগরিদম দেখে আমি খুশি হব, উদাহরণস্বরূপ পলিহেড্রনের হাইপারপ্লেন বা অন্য কোনও জিনিস দ্বারা বর্ণিত গাউসীয় বিতরণের পণ্যগুলি বিবেচনা করুন।
কয়েকটি মন্তব্য: ডায়ার, ফ্রেইজ এবং কান্নান একটি বিখ্যাত ধ্রুপদী বহুভুজের সময়ের অ্যালগরিদমকে আনুমানিক নমুনা এবং আনুমানিক একটি পলিহেড্রনের ভলিউম গণনা করতে পেরেছিলেন। অ্যালগরিদম এলোমেলো হাঁটা এবং দ্রুত মিশ্রণের উপর ভিত্তি করে। সুতরাং আমরা একই উদ্দেশ্যে একটি আলাদা কোয়ান্টাম অ্যালগরিদম সন্ধান করতে চাই। (ঠিক আছে, আমরা আশা করতে পারি যে একটি কোয়ান্টাম অ্যালগরিদম এই প্রসঙ্গে জিনিসগুলিতেও নেতৃত্ব দিতে পারে যা আমরা ধ্রুপদীভাবে করতে জানি না। তবে শুরু করার জন্য, আমরা যা চাই তা অন্য একটি পৃথক অ্যালগরিদম, এটি অবশ্যই সম্ভব হবে।)
দ্বিতীয়ত, আমরা প্রায় ইউনিফর্ম বিতরণ নমুনা জোর দাবি না। আমরা আনুমানিক কিছু অন্যান্য চমৎকার বিতরণ নমুনা খুশি যা আমাদের পলিহেড্রোনে মোটামুটি সমর্থিত। সন্তোষ ভ্যাম্পালার (এবং অন্য প্রসঙ্গে আমার দ্বারাও) একটি যুক্তি রয়েছে যা নমুনা থেকে অপ্টিমাইজেশনের দিকে পরিচালিত করে: আপনি যদি f (x) নমুনাকে অনুকূল করতে চান তবে পয়েন্ট y এর জন্য যেখানে f (x) টিপিক রয়েছে find সীমাবদ্ধতা {f (x)> = f (y) Add যুক্ত করুন এবং পুনরাবৃত্তি করুন।