Las computadoras cuánticas son muy buenas para distribuciones de muestreo que no sabemos cómo muestrear usando computadoras clásicas. Por ejemplo, si f es una función booleana (de a - 1 , 1 ) que se puede calcular en tiempo polinómico, entonces con computadoras cuánticas podemos muestrear eficientemente de acuerdo con la distribución descrita por la expansión de Fourier de f. (No sabemos cómo hacerlo con las computadoras clásicas).
¿Podemos usar computadoras cuánticas para muestrear o muestrear aproximadamente un punto aleatorio en un poliedro descrito por un sistema de n desigualdades en d variables?
Pasar de las desigualdades a los puntos me parece algo similar a una "transformación". Además, me encantaría ver un algoritmo cuántico incluso si modifica la distribución, por ejemplo, considere el producto de la distribución gaussiana descrito por los hiperplanos del poliedro u otras cosas.
Algunas observaciones: Dyer, Frieze y Kannan encontraron un famoso algoritmo clásico de tiempo polinómico para muestrear aproximadamente y calcular aproximadamente el volumen de un poliedro. El algoritmo se basa en caminatas aleatorias y mezclas rápidas. Por lo tanto, queremos encontrar un algoritmo cuántico diferente para el mismo propósito. (Bien, podemos esperar que un algoritmo cuántico pueda conducir también a cosas en este contexto que no sabemos hacer de manera clásica. Pero para empezar, todo lo que queremos es un algoritmo diferente, esto debe ser posible).
En segundo lugar, ni siquiera insistimos en tomar muestras aproximadamente de la distribución uniforme. Estaremos encantados de probar aproximadamente alguna otra distribución agradable que se admite aproximadamente en nuestro poliedro. Hay un argumento de Santosh Vampala (y también de mí en otro contexto) que lleva del muestreo a la optimización: si desea optimizar la muestra f (x) para encontrar un punto y donde f (x) es típico. Agregue la restricción {f (x)> = f (y)} y repita.