Quantum Query Complexity of Hypergraph Search Problems
Notice bibliographique
Résumé
In the study of quantum query complexity, it is natural to study the problems of \nfinding triangles and spanning trees in a simple graph. Over the past decades, many \ntechniques are developed for finding the upper and lower quantum query bounds of these \ngraph problems. We can generalize these problems to detecting certain properties of higher \nrank hypergraphs and ask whether these techniques are still available. In this thesis, we \nwill see that when the rank increase, complexity bounds still holds for some problems, \nalthough less effectively. For some other problems, their nontrivial complexity bounds \nvanish. Moreover, we will focused on using the generalized adversary and learning graph \ntechniques for finding nontrivial quantum query bounds for different hypergraph search \nproblems. The following results are presented. \n \n• Discover a general quantum query lower bound for subhypergraph-closed properties \nand monotone properties over r-partite r-uniform hypergraphs. \n• Provide tight quantum query bounds for the connectivity and acyclicity problems \nover r-uniform hypergraphs. \n• Present a nontrivial learning graph algorithm for the 3-simplex finding problem. \n• Formulate nested quantum walk in the adaptive learning context and use it to present \na nontrivial quantum query algorithm for the 4-simplex finding problem. \n• Present a natural relationship of lower bounds for simplex finding of different ranks. \n• Use the learning graph formalization of tetrahedron certificate structure to find a \nnontrivial quantum query lower bound of the 3-simplex sum problem.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,005 | 0,013 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».