[論文レビュー] Factorization of Quantum Density Matrices According to Bayesian and Markov Networks

Robert R. Tucci|ArXiv.org|Jan 28, 2007

Quantum Computing Algorithms and Architecture参考文献 9被引用数 3

ひとこと要約

本稿では、任意の量子密度行列が、複素数値の条件付き確率を用いたベイジアン（有向）およびマルコフ（無向）ネットワークによって表現可能であることを確立している。古典的d-分離定理を量子系へ一般化し、グラフィカルなd-分離が非もつれ状態の集合を検出でき、CMIもつれ（スクァッシュドもつれ）と関連することを示しており、量子の条件付きインデペンダンスおよびもつれ構造を扱うグラフィカルな枠組みを提供する。

ABSTRACT

We show that any quantum density matrix can be represented by a Bayesian network (a directed acyclic graph), and also by a Markov network (an undirected graph). We show that any Bayesian or Markov net that represents a density matrix, is logically equivalent to a set of conditional independencies (symmetries) satisfied by the density matrix. We show that the d-separation theorems of classical Bayesian and Markov networks generalize in a simple and natural way to quantum physics. The quantum d-separation theorems are shown to be closely connected to quantum entanglement. We show that the graphical rules for d-separation can be used to detect pairs of nodes (or of node sets) in a graph that are unentangled. CMI entanglement (a.k.a. squashed entanglement), a measure of entanglement originally discovered by analyzing Bayesian networks, is an important part of the theory of this paper.

研究の動機と目的

• 古典的ベイジアンおよびマルコフネットワーク理論（特にd-分離および条件付きインデペンダンス）を量子ドメインへ拡張すること。
• 任意の量子密度行列が、複素振幅を用いた有向（ベイジアン）または無向（マルコフ）グラフィカルモデルによって要約可能であることを示すこと。
• 量子d-分離と量子もつれの間の正式な関係を確立し、d-分離が非もつれ部分系を検出できることを示すこと。
• CMIもつれ（スクァッシュドもつれ）—元来ベイジアンネットワーク解析から導出されたもの—が、提示された量子グラフィカル理論における中心的測度であることを示すこと。
• 量子情報および量子基礎分野の研究者にとって理解しやすく、古典的および量子ネットワーク理論を並行して展開する教育的で自己完結的な枠組みを提供すること。

提案手法

• 量子密度行列を、有向無サイクルグラフ（ベイジアンネットワーク）のノードに関連する複素数値の条件付き振幅の積として表現する。
• 同じ密度行列を、無向グラフにおける最大クリーク上の複素数値のアフィニティの積として表現する（マルコフネットワーク）。
• 古典的d-分離と同一のグラフィカルルールを用い、量子ネットワークにおける複素振幅に適用することで、量子d-分離を定義する。
• 部分集合のラティス上でモビウス反転を用い、要約構造から条件付きインデペンダンス関係を導出する。
• 形式的枠組みを適用し、ベイジアンネットワーク構造からCMI（スクァッシュド）もつれ測度が自然に導かれるようにする。
• ノードの集合が、かつてその対応する量子グラフィカルモデルにおいてd-分離されているときかつそのときに限り、非もつれであることを証明する。

実験結果

リサーチクエスチョン

• RQ1 任意の量子密度行列は、量子ベイジアンネットワークまたはマルコフネットワークで表現可能か？
• RQ2 古典的d-分離定理は、条件付きインデペンダンスの観点から、量子ドメインへどのように一般化されるか？
• RQ3 量子d-分離と量子もつれの関係は何か？
• RQ4 グラフィカルルールは、量子ネットワーク内の非もつれ部分系を検出できるか？
• RQ5 CMI（スクァッシュド）もつれ測度は、量子ベイジアンネットワークの構造からどのように導出されるか？

主な発見

• 任意の量子密度行列は、複素数値の遷移行列を用いた量子ベイジアンネットワーク（有向グラフ）および複素数値のクリークアフィニティを用いた量子マルコフネットワーク（無向グラフ）へ要約可能である。
• 量子d-分離定理は古典的d-分離を一般化し、密度行列が満たす条件付きインデペンダンス関係の集合と論理的に同値である。
• ノード集合のペアがd-分離されているときかつそのときに限り、非もつれであることが保証され、これは非もつれの検出のためのグラフィカル基準を提供する。
• CMI（スクァッシュド）もつれ測度は、量子ベイジアンネットワークの構造から自然に導かれ、理論の重要な構成要素である。
• 本稿では、d-分離のグラフィカルルールが、ネットワークのトポロジーから量子の条件付きインデペンダンスおよびもつれ構造を推論するのに用いられることを確立している。
• 理論は自己完結的であり、教育的構造を備えており、古典的および量子ネットワーク理論が明確でアクセスしやすいように、並行して展開されている。