Creo que estas dos clases deberían ser las mismas, pero no puedo encontrar ninguna literatura sobre esto y tengo antecedentes limitados sobre el tema.
Este es mi razonamiento, y me gustaría saber si (1) esto ya se conoce o (2) no entendí algo o (3) acabo de descubrir algo útil:
es la clase de problemas que se pueden resolver colocando cantidades polinómicas de datos en una máquina del tiempo.
es la clase de problemas que pueden resolverse mediante la selección posterior en una máquina de Turing probabilística, es decir, ignorar los casos que no le interesan.
porque puede simular una curva cerrada similar al tiempo con una selección posterior como esta: Escanee todo el programa al principio, tanto el estado como la memoria. Luego, después del procesamiento, vuelva a hacerlo y seleccione después para que solo regrese si el estado y la memoria ahora son exactamente iguales al estado y la memoria de inicio (excepto por un solo bit que dice si esta es la primera iteración o no, para evitar un Bucle infinito).
porque puede simular una selección posterior como esta: si el mensaje del futuro comienza con , envía el mensaje en el pasado. De lo contrario, proceda normalmente. Cuando llegue al paso en el que normalmente seleccionaría posteriormente, envíe un 1 al pasado iff. desea ignorar esta línea de tiempo, de lo contrario un. La única versión consistente ahora es aquella en la que ambos reciben y envían un 0 porque estaban satisfechos con los resultados.
fuente
Respuestas:
Creo que he encontrado la respuesta: la prueba es incorrecta. BPP_PATH no está en P_CTC porque se requiere P_CTC para dar una respuesta definitiva única, mientras que BPP_PATH es un algoritmo probabilístico, por lo que la segunda reducción no funciona. Para que funcione, uno tendría que usar la información del viaje en el tiempo para contar el número de éxitos del algoritmo probabilístico frente al número de sus fallas. No tengo idea de cómo hacer esto, o si incluso se puede hacer (probablemente no).
fuente