การจำลองอัลกอริธึมที่แน่นอนนั้นยากแค่ไหนและการทำงานที่เกี่ยวข้องกับคลาสความซับซ้อน

teaser

เนื่องจากปัญหามีความยาวที่นี่เป็นกรณีพิเศษที่เก็บความสำคัญของมัน

ปัญหา:ให้ A เป็นอัลกอริทึม detrministic สำหรับ 3-SAT เป็นปัญหาของการจำลองอัลกอริทึม A อย่างสมบูรณ์ (ในทุกกรณีของปัญหา) P-Space ยากไหม

(แม่นยำกว่ามีเหตุผลที่จะเชื่อว่างานนี้เป็น P-Space อย่างหนักทำอะไรบางอย่างในทิศทางนี้ตามจากการคาดเดา CC มาตรฐานและหวังว่าจะพิสูจน์ว่างานนี้เป็น X-hard สำหรับคลาสความซับซ้อน X ซึ่งสันนิษฐานว่าเป็น อย่างเคร่งครัดเหนือ NP)

คำถามที่เกี่ยวข้อง : เป็น -pspace-complete- ปัญหา - โดยเนื้อแท้ - น้อย - เวิ้งว้าง - - - - - - - ปัญหา - ปัญหาที่สมบูรณ์ ;

แก้ไขล่าสุด : มีการตีความต่าง ๆ สำหรับ "การจำลอง A ทั้งหมด" และอาจมีคำตอบที่น่าสนใจแตกต่างกันไปตามการตีความ (เช่นไรอันวิลเลียมส์เสนอการตีความสำหรับการจำลองอัลกอริธึมที่ไม่ได้กำหนดไว้) สำหรับวิธีการบางอย่างในการเชื่อมโยงปัญหาการตัดสินใจกับงานการคำนวณ "จำลองโดยสิ้นเชิง" โจ Fitzsimons พบอัลกอริทึม . หาก "จำลองสมบูรณ์" หมายถึงความสามารถในการส่งออกการลงทะเบียนทั้งหมดของคอมพิวเตอร์ในขั้นตอนที่กำหนด$i$จากนั้นสำหรับอัลกอริทึมของ Joe ดูเหมือนว่าเป็นสิ่งที่จำเป็น สำหรับรุ่นนี้ (ฉันคิดว่า แต่ฉันไม่แน่ใจ) คำตอบของไรอันเขียนแบบ$P^{NP}$$P^{NP}$อาร์กิวเมนต์ความแข็งแรง โจตั้งข้อสังเกตว่าหากคุณจำเป็นต้องให้การลงทะเบียนทั้งหมด (ซึ่งไม่ใช่ปัญหาการตัดสินใจอีกต่อไป) ก็ไม่น่าแปลกใจที่คุณต้องก้าวขึ้นและความซับซ้อนของคลาสนั้นไม่เหมือนกัน

อย่างไรก็ตามถ้าเราต้องการที่จะส่งออกสถานะของการลงทะเบียนที่เป็นขั้นตอนที่กำหนดไว้$i$แล้วคำตอบของเรือนและโจแนะนำ (อีกครั้ง แต่ผมไม่แน่ใจว่าเกี่ยวกับเรื่องนี้) ที่เป็นหลัก{} เราสามารถ spaculate ว่าโดยความหมายนี้ผลักดันการดำเนินการขึ้นหนึ่งขั้นตอนที่สูงขึ้นใน hiearachy พหุนามและที่=$NP^+$$P^{NP}$$PH^+ =PH$

ในกรณีใด ๆ โดยการตีความเหล่านี้คำตอบสำหรับคำถามทีเซอร์ของฉันคือNO

ฉันมีการตีความที่รุนแรงมากขึ้นสำหรับ "การจำลองอัลกอริทึม A" อย่างสมบูรณ์ในใจ ( แต่บางทีโจและไรอันตีความเป็นที่น่าสนใจเพิ่มเติม.) การตีความของฉันด้วย "สมบูรณ์จำลองอัลกอริทึม A" คือการที่คุณ outout สถานะของการลงทะเบียนในทุกขั้นตอนที่ฉันโดยเฉพาะถ้าอัลกอริทึมไม่ใช่พหุนามผลลัพธ์ของคุณก็ไม่ใช่พหุนามด้วย ภายใต้การตีความที่รุนแรงนี้ฉันสงสัยว่าเราควรเชื่อหรือไม่ว่าสำหรับอัลกอริธึม A,นั้นยากสำหรับ P-SPACE และสิ่งที่เราพิสูจน์ได้$i$$C_A$

แรงจูงใจ:

คำถามนี้ได้รับแรงบันดาลใจจากการบรรยายโดยพอลโกลด์เบิร์ก (เป็นภาพนิ่ง , วิดีโอ , กระดาษ ) อธิบายกระดาษที่มี Papadimitriou และ Savani พวกเขาแสดงให้เห็นว่า P-space สมบูรณ์ในการค้นหาสมดุลใด ๆ ที่คำนวณโดยอัลกอริทึมของ Lemke-Howson ปัญหาในการค้นหาจุดสมดุลบางจุดเป็นเพียง PPAD-complete ช่องว่างนี้เป็นที่น่าตื่นตาตื่นใจมากและผลที่คล้ายกันอธิบายไว้แล้วในกระดาษที่รู้จักกันดีของ Papadimitriu: ความซับซ้อนของอาร์กิวเมนต์พาริตี้และอื่น ๆ ไม่มีประสิทธิภาพพิสูจน์ของการดำรงอยู่ (1991) (เป็นที่ทราบกันดีว่าปัญหาที่สมบูรณ์ของ PPAD นั้นไม่สามารถแม้แต่จะเป็นปัญหา NP-hard ได้ (เว้นแต่จะมีสิ่งที่น่ากลัวเกิดขึ้นดังนั้นสิ่งนี้จึงอยู่ไกลในโลกแห่งความซับซ้อนเมื่อเทียบกับ P-space)

คำถามนี้เกี่ยวกับอะไร

คำถามของฉันเกี่ยวกับช่องว่างที่คล้ายกันสำหรับปัญหาความซับซ้อนในการคำนวณที่เก่ากว่าและคลาสสิคกว่า (บางทีนี่อาจคุ้นเคยอยู่แล้ว)

ด้วยปัญหาการคำนวณเราสามารถแยกความแตกต่างระหว่างสามประเด็น

a) แก้ปัญหาด้วยอัลกอริทึม

b) เข้าถึงโซลูชันเดียวกันกับอัลกอริทึมเฉพาะ A

c) จำลองอัลกอริทึมทั้งหมด A

แน่นอน c) อย่างน้อยยากเท่า b) ซึ่งอย่างน้อยยากเท่า) ผลดังกล่าวข้างต้นแสดงให้เห็นช่องว่างระหว่างความยากในการคำนวณของงาน a) และ b) สำหรับปัญหาการคำนวณดุลยภาพ เราต้องการที่จะเข้าใจสถานการณ์ (และส่วนใหญ่เป็นช่องว่างระหว่าง a) และ c)) สำหรับปัญหาการคำนวณอื่น ๆ

คำถาม:

รูปแบบพื้นฐานของคำถามพร้อมตัวอย่าง

เราเริ่มต้นด้วยปัญหาการคำนวณปัญหา X

ตัวอย่างสามารถ

ปัญหา X: แก้ปัญหาอินสแตนซ์ของ SAT ด้วยตัวแปร n

นอกจากนี้เรายังระบุ

A: algoritm ที่มีปัญหา X

และเราก็ก่อปัญหาใหม่

ปัญหา Y: จำลองอัลกอริทึม A

และเรามีความสนใจในความยากลำบากในการคำนวณปัญหา Y เราต้องการเข้าใจคลาสของปัญหาดังกล่าว Y สำหรับอัลกอริธึม A ทั้งหมดที่แก้ปัญหาเดิม X โดยเฉพาะอย่างยิ่งเราต้องการทราบว่าปัญหา Y สามารถทำได้ง่ายเพียงใด เป็น) ถ้าเราได้รับอนุญาตให้เลือกอัลกอริทึม A ที่จะ

การดำเนินการที่เสนอในคลาสความซับซ้อน

เริ่มด้วยคลาสที่ซับซ้อนซึ่งอธิบายโดยงานคำนวณบางอย่าง ให้อัลกอริทึม A เพื่อดำเนินการทุกอินสแตนซ์ของงานการคำนวณนี้พิจารณาคลาสความซับซ้อนใหม่ซึ่งอธิบายโดยงานการคำนวณของการจำลองทั้งหมด จากนั้นเราสามารถ (หวังว่า) จะกำหนด "อุดมคติ" ของคลาสความซับซ้อน$C$$C_A$$A$

$C^+ = \{C_A:$ for all algorithms A}.

If we let $P$ to describe whatever a digital computer can do in polynomial time (so I dont want to restrict attention e.g. to decision problems) then $P^+$ is the ideal spanned by $P$ itself.

Finally, My Questions

My questions are:

1) Is the definition makes sense (in the wide sense of the word sense). Is it well known or the same as (or similar to) some well known thing. (My formulation was informal and in particular when we move from specific problems like SAT to a complexity class like NP we have to worry about various things that I neglected.)

The next two questions assume that the definition can make sense or salvaged to make sense.

2) Suppose we equip ourself with all the standard conjectures regarding computational compleity. Can we say what $C^+$ is supposed to be for some familiar complexity classes. (E.g. $C=NP$, $C$=P-space,..)? EDIT: Several people pointed out that $PSPACE^+=PSPACE$. So > we can ask instead what is $(P^{NP})^+$? is $PH^+=PH$?

Can we guess what are the compexity classes $C$ so that $C^+$ is the ideal spanned by $C$?

So the question how easy can the computational task of simulating an algorithm A for 3-SAT (when we can choose the algorithm to make it as easy as possible) is an interesting special case.

3) Is there hope to actually prove something about this operation?

Of course, if you prove that all complexity classes in $NP^+$ are P-space hard this will show that $P=NP$ implies $P=PSPACE$, which (I think) would be a huge and highly unexpected result. But if you show that all complexity classes in $NP^+$ are hard to somthing say in the third level of the polynomial Hieararchy (e.g. $\Delta_3^{\bf P}$) this would only imply things that we already know, things that follow from the fact that $P=NP$ causes PH to collapse.

Problem: Let A be a deterministic algorithm for 3-SAT. Is the problem of completely simulating the algorithm A (on every instance of the problem) P-Space hard?

I don't understand the statement of this problem. But I think there is a natural way to formalize your more general question which may shed a little light on it. Maybe I am completely missing your point, but hopefully you still find something interesting to read here.

1) Is the definition makes sense (in the wide sense of the word sense). Is it well known or the same as (or similar to) some well known thing. (My formulation was informal and in particular when we move from specific problems like SAT to a complexity class like NP we have to worry about various things that I neglected.)

One way to make sense of the task exactly simulate algorithm $Y$ is the following. Let's fix the model to be one-tape Turing machines for simplicity; what I will say can apply to any typical computational model.

For each algorithm $Y$ and input $x$, we can define its computation history $H_Y(x,i,j)$: Given integers $i$ and $j$ which range from $0$ to the running time of $Y$, $H_Y(x,i,j)$ equals the content of the $j$th cell of the tape of Turing machine $Y$ on input $x$ in time step $i$. (And if the tape head is reading the $j$th cell in the $i$th step, include that too along with the machine's state.) Of course, computation histories come up all the time in complexity theory.

Now, one could argue that any algorithm which can decide the language

$C_Y = \{(x,i,j,\sigma)~|~H_Y(x,i,j)=\sigma\}$

(or simulate the function $H_Y$ on all inputs) is solving the task exactly simulate algorithm $Y$, because it has the ability to print every little part of every possible computation of algorithm $Y$. Certainly, given an oracle for $C_Y$ one could do a step-by-step simulation of $Y$.

2) Suppose we equip ourselves with all the standard conjectures regarding computational complexity. Can we say what C+ is supposed to be for some familiar complexity classes. (E.g. C = NP, C = P-space,..)? Can we guess what are the complexity classes C so that C+ is the ideal spanned by C?

This is still an interesting question, under the above proposal. For deterministic time classes, nothing changes. $P^+$ is just $P$: we can decide $C_Y$ in polytime, for every polytime algorithm. Similarly $EXP^+ = EXP$. Also $PSPACE^+$ is still $PSPACE$. For nondeterministic time complexity classes, the situation becomes more interesting. In that case, an algorithm $Y$ can have multiple computation histories, so $H_Y$ is no longer well-defined. However we still want to print some computation history, so our "exact simulation" would have to isolate a specific nondeterministic computation history and then print its values. For an $NP$ algorithm $Y$, one can say that $C_Y \in P^{NP}$: we can use the $NP$ oracle to binary search for the "first" accepting computation history (in lex order), then once we have obtained it, print the relevant bits. For an $NEXP$ algorithm $Y$, one can say $C_Y \in EXP^{NP}$, for similar reasons.

Can we put $NP^+$ in a smaller class? I don't know. Notice we cannot simply redefine

$C_Y =${$(x,i,j,\sigma)~|~$ there exists a $H_Y$ such that $H_Y(x,i,j)=\sigma$}

to try to put $C_Y$ in $NP$, because we need the history string to be the same for all quadruples involving $x$, in order to "exactly simulate algorithm $Y$".

Anyway, this issue of not being able to "print a witness" to an $NEXP$ computation without going to $EXP^{NP}$ does arise in some situations, such as circuit complexity. If $NEXP$ has polynomial size circuits, then is it also the case that $C_Y \in P/poly$ for every nondeterministic $2^{n^k}$ time $Y$? Impagliazzo, Kabanets, and Wigderson answered this question affirmatively in 2001. Their proof is extremely interesting, invoking tools from derandomization and diagonalization (why would derandomization be necessary for such a result?) and it turns out to be a very useful theorem for proving circuit lower bounds for $NEXP$ functions.

Is there hope to actually prove something about this operation?

Maybe... that depends on whether you are happy with the above formalization of your question. For a deterministic 3-SAT algorithm $Y$, I think the above exact simulation of $Y$ problem would be $P^{NP(1)}$-hard, where $P^{NP(1)}$ is polynomial time with one query to $NP$. (The annoying syntax of StackExchange requires that I write (1) instead of the alternative. Earlier I said $C_Y$ should be $P^{NP}$-hard, but I am not sure of the details: you may see how to generalize the below.)

We give a polytime many-one reduction from every $L \in P^{NP(1)}$ to $C_Y$. Given such an $L$, let $M$ be a machine recognizing $L$ that does a single $NP$ query. WLOG, that query is a SAT formula. Also WLOG, the SAT query can be "postponed" until the very last step of the computation, in the following sense: there is a polynomial time algorithm $A(x)$ which prints a formula $F$ and bit $b$, such that for all $x$,

$M(x)$ accepts iff $A(x)=(F,b)$ such that ($SAT(F)$ XOR $b$) = 1.

($M$ may reject iff $F$ is satisfiable, or it may accept; the bit $b$ captures this.)

For simplicity, let's say when $Y$ ends its computation, it moves its tape head to cell 1, writes "accept" or "reject" in that cell, and loops forever. Then, asking if $(F,T,1,accept) \in C_Y$ for sufficiently large $T$ will tell us if $F$ is accepted. (In general, we just need that it's efficient to compute the instance $y$ of $C_Y$ which will tell us.) Note this already shows that $C_Y$ is both $NP$-hard and $coNP$-hard; the latter is true because $(F,T,1,reject) \in C_Y$ iff $F$ is not satisfiable.

The final reduction from $L$ to $C_Y$ is: given $x$, run $A(x)$ getting $(F,b)$. If $b=0$ then output $(F,T,1,accept)$, else if $b=1$ output $(F,T,1,reject)$.

For every $x$ we are producing (in polynomial time) a $y$ such that $M(x)$ accepts iff $y \in C_Y$.

(Thanks to Joe for demanding that I be clearer about this part.)

But I don't see (for example) how to get $\Sigma_2 P$-hardness. To reduce $\Sigma_2$-SAT to the problem, it would appear you'd need to write a 3-CNF SAT instance $x$ which simulates your deterministic algorithm $Y$ within it (where $Y$ is solving Tautologies on various subproblems). But as $Y$ has no given time bound, that 3-CNF $x$ could be huge, so you don't necessarily get a polynomial-time reduction. Unless I am missing something.

I initially posted an incorrect answer, so hopefully this is an improvement.

I'm going to start out by considering the 3SAT example. In your comment on Ryan's answer you say

I am interesting how hard it is to simulate a deterministic algorithm Y for 3-SAT. And the question is if no matter what Y is this is P-space hard.

The answer to this is that it is not PSPACE-hard for at least some Y, assuming that NP$\neq$PSPACE, but that there exist other algoriths for which it is PSPACE-hard. Showing the latter is trivial: We simply construct an algorithm which interprets the bit string representing the 3SAT formula instead as a TQBF problem, which it then solves before solving the 3SAT instance. Obviously there is nothing special about TQBF in this case, so the algorithm can be made arbitrarily hard to simulate. So we should only care about lower bounds on simulation of any algorithm for a given problem, rather than a specific algorithm.

With that in mind, we construct the following algorithm to solve 3SAT:

Take a register of $n$ bits (initially all set to 0) to contain a trial solution, together with a register containing the 3SAT instance, a counter register of size $\lceil\log_2 (c + 1)\rceil$ initially set to 1 and and two flag bits (call these the fail flag and the accept flag). Here $c$ is the number of clauses. The algorithm then proceeds as follows:

• If the value of the clause counter $k$ is less than or equal to $c$, and the trial solution is not $111......1$, check whether clause $k$ is satisfied. If not set the fail bit. Increment the counter.
• If the value of the clause counter $k$ is less than or equal to $c$, and the trial solution is $111......1$, check whether clause $k$ is satisfied. If it is not, set the fail flag. Increment the counter.
• If $k$ exceeds $c$, and the trial solution is not $111......1$, check if the fail flag is set. If so then increment the trial solution, reset the counter $k$ to 1, and unset the fail flag. If the fail flag was not set, set the accept flag, set the clause counter $k$ to zero, set the trial solution to zero and halt.
• If $k$ exceeds $c$, and the trial solution is $111......1$, check if the fail flag is set. If the fail flag was not set, set the accept flag. Set the clause counter $k$ to zero, set the trial solution to zero and halt.

When the algorithm halts, the state of the accept flag tells you whether or not the 3SAT formula can be satisfied.

Now, if I want to compute the state of the algorithm at time $i$ I have an algorithm to compute this in polynomial time with a single call to an NP oracle as follows:

Note that for any $i$, assuming the accept bit has not yet been set, the state of the registers can be calculated in polynomial time, since the value of $k$ and the trial solution register $t$ are simply functions of $i$. Determining if the fail flag is set can be done in polynomial time, simply by checking whether the current state of the trial solution register satisfies all clauses less than or equal the current value of $k$. If and only if this not the case, the fail flag is set. The accept flag is set to zero.

Similarly, if the accept bit has already been set, the state of the registers can be efficiently computed, since everything is zero except the accept bit, which is set.

So the only hardness comes in determining whether the accept bit is set. This is equivalent to determining whether the given 3SAT instance has a solution less than $t$. If it does, then the accept bit must necessarily be set, and if it does not, then the accept bit must necessarily be zero. Clearly this problem is itself NP-complete.

Thus the state of the system at step $i$ can be determined by in polynomial time with a single query to an NP oracle.

Important update: Initially I had misread Ryan's formulation of exact simulation as a decission problem, and so my claim that the decission version was in NP was incorrect. Given the problem of deciding whether bit $j$ at step $i$ on input $x$ as formulated in Ryans answer, then there are 3 possibilities:

1. This bit is constant in independent of whether $F$ is satisfiable. As there are only two possible states for the system at this time (both of which can be computed in P) determining if this is the case, and if so, whether the value is equal to $\sigma$ is in P.
2. The bit is equal to $\sigma$ if $F\in SAT$, and unequal otherwise. This problem is clearly in NP, as the satisfying assignment of $F$ acts as a witness.
3. The bit is equal to $\sigma$ if $F\in UNSAT$ in which case the problem is then in coNP.

Clearly deciding which one of these three is the case can be done in polynomial time, simply by comparing the value that bit takes if $F\in SAT$ and if $F\in UNSAT$. Thus the exact simulation problem is in NP $\cup$ coNP. Thus, as Ryan's lower bound and my upper bound match, assuming both are correct, I think we have an answer: $C_Y = NP\cup coNP$.

Note that there is nothing special about 3SAT in this case, and the same could be done for any problem in NP. Further, the same trick can be used for any non-deterministic complexity class, not just NP, which seem to be the hard ones to simulate. For deterministic classes you can simply run the best algorithm and halt at step $i$. So with this in mind, full simulation of at least some deterministic algorithm for a problem is only as hard as solving the problem itself.

Very interesting thought! Here's an extended comment that was too long to post as such:

Regarding the definition in (1) as such, that is:

Start with a complexity class $C$ which is described by some computational task. Given an algorithm A to perform every instance of this computational task, consider a new complexity class $C_A$ which is described by the computational task of completly simulating $A$. Then we can (hopefully) define an "ideal" of complexity classes: $C^+ = \{C_A:$ for all algorithms $A\}$.

I believe you're going to quickly run into an issue with undecidability for non-trivial membership in $C^+$. In particular, given the description of two TMs $M$ and $M^{\prime}$, it's well-known that deciding whether they accept the same language (i.e. $L(M) \stackrel{?}{=} L(M^{\prime})$ is undecidable in general by reduction from the Halting Problem.

Further, given the description of a Turing Machine , there is always a trivial simulation: Just construct a new Turing Machine $M^*$ that calls $M$ as a subroutine (using its description), which accepts if $M$ accepts and rejects if $M$ rejects. This only costs a linear overhead. Specifically, if $M$ runs in $t(n)$ computational steps, then $M^*$ runs in $O(t(n))$ (whereby "run," I mean "simulates $M$ exactly").

This suggests to me that if there's any serious traction to be gained here, the precise way you go about making the definition of the ideal of a complexity class is going to be fairly important. In particular, if you intend to show that the ideal of, say, $NP$ is $PSPACE$-hard, you'll have to rule out the notion of a trivial, linear-time simulation of the $NP$ machines in question.

With respect to the homotopy methods described in the talk/paper and GPS's $PSPACE$-completeness result, I believe the "gap" you're witnessing between $PPAD$-completeness and $PSPACE$-hardness is due to the distinction between finding any NE (in the sense of END OF LINE) and finding a unique NE given a specific, initial configuration (in the sense of OTHER END OF LINE).