'কোয়ান্টাম বোগোসোর্ট' থেকে আমরা কী শিখতে পারি?


9

সম্প্রতি, আমি কিছু উইকিতে 'কোয়ান্টাম বোগোসর্ট' সম্পর্কে পড়েছি। মূল ধারণাটি হ'ল, বোগোসোর্টের মতো, আমরা কেবল আমাদের অ্যারে বদলে ফেলি এবং আশা করি এটি 'দুর্ঘটনাক্রমে' বাছাই হয়ে যায় এবং ব্যর্থতার জন্য আবার চেষ্টা করি।

পার্থক্যটি হ'ল এখন, আমাদের কাছে ' ম্যাজিক কোয়ান্টাম' রয়েছে, তাই আমরা 'সমান্তরাল মহাবিশ্বগুলিতে' একবারে সমস্ত আদেশের চেষ্টা করতে পারি এবং যেখানে বাছাই করা খারাপ সেখানে 'সমস্ত খারাপ মহাবিশ্বকে ধ্বংস' করতে পারি।

এখন, স্পষ্টতই, এটি কাজ করে না। কোয়ান্টাম পদার্থবিজ্ঞান, যাদু নয়। মূল সমস্যাগুলি হ'ল

  1. 'প্যারালাল ইউনিভার্স' কোয়ান্টাম এফেক্টের নিছক ব্যাখ্যা , কোয়ান্টাম কম্পিউটিংয়ের দ্বারা এটি ব্যবহার করে না। আমার অর্থ, আমরা এখানে কঠোর সংখ্যা ব্যবহার করতে পারি, ব্যাখ্যাটি এখানে কেবল বিষয়গুলিকে বিভ্রান্ত করবে, আমার ধারণা।

  2. 'সমস্ত খারাপ মহাবিশ্বকে ধ্বংস করা' কোয়েট ত্রুটি সংশোধনের মতো, কোয়ান্টাম কম্পিউটিংয়ের একটি খুব কঠিন সমস্যা।

  3. বোগো বাছাই মূ .় থাকে। যদি আমরা কোয়ান্টামের মাধ্যমে বাছাইয়ের গতি বাড়িয়ে তুলতে পারি তবে কেন এটি একটি ভাল বাছাই অ্যালগরিদমের ভিত্তিতে নয় ? (তবে আমাদের এলোমেলো হওয়া দরকার, আমার প্রতিবেশীর প্রতিবাদ! হ্যাঁ, তবে আপনি কি আরও ভাল ধ্রুপদী অ্যালগরিদমটি ভাবতে পারবেন না যা এলোমেলোতার উপর নির্ভর করে ?)

যদিও এই অ্যালগরিদম বেশিরভাগ কৌতুকের মতো হলেও এটি 'শিক্ষামূলক রসিকতা' হতে পারে, যেমনটি 'ধ্রুপদী' বোগোসর্টের মধ্যে পার্থক্য হিসাবে সেরা কেস, সবচেয়ে খারাপ ক্ষেত্রে এবং এলোমেলোভাবে অ্যালগরিদমের জন্য গড় কেস জটিলতায় এখানে সহজ এবং খুব স্পষ্ট। (রেকর্ডের জন্য, সেরা হ'ল , তবে আমরা খুব ভাগ্যবান তবে তবুও অবশ্যই পরীক্ষা করা উচিত যে অ্যারে স্ক্যান করে আমাদের উত্তরটি সঠিক, প্রত্যাশিত সময়টি কেবল ভয়াবহ (আইআইআরসি, আদেশের সংখ্যার সমানুপাতিক, তাই ) এবং সবচেয়ে খারাপ পরিস্থিতি আমরা কখনই শেষ করি না)Θ(n)O(n!)

সুতরাং, আমরা 'কোয়ান্টাম বোগোসর্ট' থেকে কী শিখতে পারি? বিশেষত, এখানে কি বাস্তব কোয়ান্টাম অ্যালগরিদমগুলি অনুরূপ বা এটি কোন তাত্ত্বিক বা ব্যবহারিক অসম্ভবতা? তদুপরি, 'কোয়ান্টাম বাছাই অ্যালগরিদম' নিয়ে গবেষণা হয়েছে? তা না হলে কেন?

উত্তর:


8

অস্বীকৃতি: কোয়ান্টাম-বোগোসর্ট একটি রসিক-অ্যালগরিদম

আমাকে কেবল সংক্ষেপে আলগোরিদিমটি বলতে দাও:

  • পদক্ষেপ 1: একটি কোয়ান্টাম র‌্যান্ডমাইজেশন অ্যালগরিদম ব্যবহার করে তালিকাটি / অ্যারেটিকে এলোমেলো করুন, যাতে পর্যবেক্ষণ না হওয়া অবধি তালিকাটি কোন ক্রমে রয়েছে তা জানার উপায় নেই। এটি মহাবিশ্বকে মহাবিশ্বে ভাগ করবে ; যাইহোক, বিভাগটির কোনও মূল্য নেই, যেহেতু এটি নিয়মিত ঘটে।O(N!)

  • পদক্ষেপ 2: তালিকাটি বাছাই করা হয়েছে কিনা তা পরীক্ষা করে দেখুন। যদি তা না হয় তবে মহাবিশ্বকে ধ্বংস করুন (প্রকৃত শারীরিক সম্ভাবনার অবহেলা করা)।

এখন, সমস্ত অবশিষ্ট মহাবিশ্বে তালিকা বা অ্যারে রয়েছে যা বাছাই করা আছে।

সবচেয়ে খারাপ কেস জটিলতা :O(N)

(আমরা কেবল সেই ইউনিভার্সগুলি বিবেচনা করি যা পর্যালোচনা করতে পারে যে তালিকাটি সাজানো হয়েছে)

গড় / সেরা কেস জটিলতা :O(1)

এই জনগণের অ্যালগরিদমের একটি বড় সমস্যা হ'ল নিক জনসন যেমন এখানে উল্লেখ করেছেন তেমনি ত্রুটিগুলির বিশাল সম্ভাবনা বৃদ্ধি করা :

তবে এই অ্যালগরিদমের অনেক বড় সমস্যা রয়েছে। ধরে নিন যে 10 বিলিয়ন বারের মধ্যে একটি আপনি ভুল করে সিদ্ধান্তে নেবেন যে তালিকাটি যখন তা নয় তখন তা সাজানো হয়েছে। 20 আছে! একটি 20 উপাদান তালিকা বাছাই উপায়। বাছাইয়ের পরে, অবশিষ্ট মহাবিশ্বগুলি সেই তালিকা হবে যেখানে তালিকাটি সঠিকভাবে বাছাই করা হয়েছিল এবং ২.৪ মিলিয়ন ইউনিভার্স যেখানে অ্যালগরিদম ভুল করে তালিকার সাথে তালিকার সঠিকভাবে সাজানো হয়েছিল। সুতরাং আপনার কাছে যা আছে তা হল একটি যন্ত্রের একটি অংশের ত্রুটি হারকে ব্যাপকভাবে বাড়ানোর জন্য একটি অ্যালগরিদম।


'প্যারালাল ইউনিভার্সস' কোয়ান্টাম এফেক্টগুলির একটি অত্যন্ত সরল ব্যাখ্যা, কোয়ান্টাম কম্পিউটিংয়ের যেটি শোষণ করে না তা নয়।

"কোয়ান্টাম এফেক্টগুলির অত্যন্ত সরল ব্যাখ্যা" দ্বারা আপনি কী বোঝাতে চেয়েছেন তা সত্য নয়। কোয়ান্টাম বোগোসোর্ট সম্পর্কিত যে সূত্রগুলি ( এটি এবং এটি ) আমি ইন্টারনেটে পেয়েছি সেগুলি স্পষ্টভাবে উল্লেখ করে না যে তারা কিউএমের বিকল্প ব্যাখ্যা অর্থাৎ এভারেটের ব্যাখ্যাটি ব্যবহার করছে যা আপনি হয়ত ভাবছেন। আসলে আমি এওরেটের ব্যাখ্যা এবং কোয়ান্টাম-বোগোসোর্টকে কীভাবে একসাথে আটকানো যায় তা নিশ্চিত নই (কিছু লোকের মন্তব্য হিসাবে পোস্ট-সিলেকশন ব্যবহার করে)। যাইহোক, কেবল একটি নোট হিসাবে: মূলধারার মহাজাগতিক ক্ষেত্রে, এটি বহুলভাবে বিশ্বাস করা হয় যে একাধিক মহাবিশ্ব রয়েছে এবং তাদের জন্য এমনকি শ্রেণিবিন্যাস রয়েছে, যাকে ম্যাক্স টেগমার্কের চারটি স্তর এবং ব্রায়ান গ্রিন বলা হয় 'চক্রীয় তত্ত্ব । আরও তথ্যের জন্য মাল্টিভার্সে উইকি নিবন্ধটি পড়ুন ।

'সমস্ত খারাপ মহাবিশ্বকে ধ্বংস করা' কোয়েট ত্রুটি সংশোধনের মতো, কোয়ান্টাম কম্পিউটিংয়ের একটি খুব কঠিন সমস্যা।

অবশ্যই, এটি আসলে আরও শক্ত এবং আমরা মহাবিশ্বকে আক্ষরিক অর্থে ধ্বংস করার আশা করি না । কোয়ান্টাম বোগোসর্ট কেবল একটি তাত্ত্বিক ধারণা, কোনও ব্যবহারিক প্রয়োগ নেই (যা আমি জানি)।

বোগো বাছাই মূ .় থাকে। যদি আমরা কোয়ান্টামের মাধ্যমে বাছাইয়ের গতি বাড়িয়ে তুলতে পারি তবে কেন এটি একটি ভাল বাছাই অ্যালগরিদমের ভিত্তিতে নয়? (তবে আমাদের এলোমেলো হওয়া দরকার, আমার প্রতিবেশীর প্রতিবাদ! হ্যাঁ, তবে আপনি কি আরও ভাল ধ্রুপদী অ্যালগরিদমটি ভাবতে পারবেন না যা এলোমেলোতার উপর নির্ভর করে?)

হ্যাঁ, এটি বোকা না । এটি বলে মনে হচ্ছে যে আপনি বলেছিলেন "শিক্ষামূলক রসিকতা" হিসাবে শুরু হয়েছে। আমি এই ধরণের উত্স বা প্রাসঙ্গিক একাডেমিক গবেষণাপত্রগুলি খুঁজে পাওয়ার চেষ্টা করেছি, তবে কোনও খুঁজে পেলাম না। যাইহোক, এমনকি ধ্রুপদী বোগোসর্টটি সেই অর্থে বোকা যা ব্যাপকভাবে সর্বাধিক অকার্যকর বাছাই করা অ্যালগরিদম হিসাবে বিবেচিত। তবুও এটি গবেষণা করা হয়েছে, নিছক শিক্ষার আগ্রহের বাইরে।

বিশেষত, এখানে কি বাস্তব কোয়ান্টাম অ্যালগরিদমগুলি অনুরূপ বা এটি কোন তাত্ত্বিক বা ব্যবহারিক অসম্ভবতা?

আমি যে কিছুই জানি না। এই জাতীয় অ্যালগরিদমগুলি আসলে তাত্ত্বিক সম্ভাবনা, তবে অবশ্যই ব্যবহারিক নয় (কমপক্ষে, এখনও নয়)।

তদুপরি, 'কোয়ান্টাম বাছাই অ্যালগরিদম' নিয়ে গবেষণা হয়েছে? তা না হলে কেন?

প্রকৃতপক্ষে "কোয়ান্টাম বাছাই" সম্পর্কে গবেষণা হয়েছে। তবে এই ধরণের বাছাই করা অ্যালগরিদমের সমস্যাটি তুলনা ভিত্তিক কোয়ান্টাম বাছাই করা অ্যালগরিদমকে অন্তত পদক্ষেপ নিতে হবে, যা ইতিমধ্যে শাস্ত্রীয় অ্যালগোরিদম দ্বারা অর্জনযোগ্য। সুতরাং, এই কাজের জন্য, কোয়ান্টাম কম্পিউটারগুলি ক্লাসিকাল কম্পিউটারগুলির চেয়ে ভাল নয়। যাইহোক, স্থান-সীমাবদ্ধ প্রকারে, কোয়ান্টাম অ্যালগোরিদমগুলি তাদের শাস্ত্রীয় অংশগুলিকে ছাড়িয়ে যায়। এটি এবং এটি দুটি প্রাসঙ্গিক কাগজপত্র।Ω(NlogN)


মন্তব্যগুলি বর্ধিত আলোচনার জন্য নয়; এই কথোপকথন চ্যাটে সরানো হয়েছে ।
সঁচায়ন দত্ত
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.