[논문 리뷰] A Bayesian Probability Calculus for Density Matrices

Manfred K. Warmuth, Dima Kuzmin|arXiv (Cornell University)|2014. 08. 09.

Mathematical Inequalities and Applications참고 문헌 7인용 수 9

한 줄 요약

이 논문은 밀도 행렬—고전적 확률 분포를 일반화한 양자 상태—에 대한 베이지안 확률 미적분을 제안한다. 단위 벡터를 기본 사건으로 간주하고 행렬 연산을 통해 연합, 조건부 및 주변 분포를 정의함으로써, 이 프레임워크는 베이즈의 정리와 전체 확률의 법칙을 양자 영역으로 일반화하며, 고전적 확률을 특수한 대각선 경우로 유지하고, 고전적 MAP 추정과 유사한 음의 로그우도에 대한 경계를 제공한다.

ABSTRACT

One of the main concepts in quantum physics is a density matrix, which is a symmetric positive definite matrix of trace one. Finite probability distributions are a special case where the density matrix is restricted to be diagonal. Density matrices are mixtures of dyads, where a dyad has the form uu' for any any unit column vector u. These unit vectors are the elementary events of the generalized probability space. Perhaps the simplest case to see that something unusual is going on is the case of uniform density matrix, i.e. 1/n times identity. This matrix assigns probability 1/n to every unit vector, but of course there are infinitely many of them. The new normalization rule thus says that sum of probabilities over any orthonormal basis of directions is one. We develop a probability calculus based on these more general distributions that includes definitions of joints, conditionals and formulas that relate these, i.e. analogs of the theorem of total probability, various Bayes rules for the calculation of posterior density matrices, etc. The resulting calculus parallels the familiar 'classical' probability calculus and always retains the latter as a special case when all matrices are diagonal. Whereas the classical Bayesian methods maintain uncertainty about which model is 'best', the generalization maintains uncertainty about which unit direction has the largest variance. Surprisingly the bounds also generalize: as in the classical setting we bound the negative log likelihood of the data by the negative log likelihood of the MAP estimator.

연구 동기 및 목표

• 밀도 행렬을 일반화된 확률 분포로 사용하여 고전적 이산 및 연속 분포의 베이지안 확률 이론을 양자 영역으로 확장하는 것.
• 밀도 행렬로 표현된 양자 상태에 대한 연합, 조건부 및 주변 분포의 의미 있는 개념을 정의하는 것.
• 양자역학의 프레임워크 내에서 고전적 베이즈 규칙—베이즈 정리 및 전체 확률의 법칙—의 유사체를 유도하는 것.
• 대각선 밀도 행렬이 표준 베이지안 추론으로 줄어들게 함으로써 고전적 확률과의 일致성을 유지하는 것.
• 예측 성능에 대한 이론적 경계를 설정하여 고전적 음의 로그우도 경계를 양자 설정으로 일반화하는 것.

제안 방법

• 확률 분포를 대칭적이고 양의 정부호이며 단위 트레이스를 갖는 행렬로 표현한다.
• 기본 사건을 단위 벡터로 간주하고, 특정 방향의 확률을 그 벡터에 대한 사영의 트레이스로 주어진다.
• 텐서곱을 통해 연합 밀도 행렬을 정의하고, 고전적 조건부에 유사한 행렬 연산을 통해 조건부 밀도 행렬을 정의한다.
• 행렬 역행렬과 양성 및 트레이스가 1인 조건을 유지하는 업데이트 규칙을 사용하여 일반화된 베이즈의 정리를 도출한다.
• 정규직교 기저 위에서 트레이스 기반 주변화를 통해 전체 확률의 법칙을 적용한다.
• 최대 사후 밀도 행렬을 사용하여 관측 데이터의 음의 로그우도에 대한 경계를 설정함으로써 고전 결과를 양자 케이스로 확장한다.

실험 결과

연구 질문

• RQ1 밀도 행렬로 표현된 양자 상태에 대해 어떻게 일致적인 베이지안 추론을 확장할 수 있는가?
• RQ2 밀도 행렬의 맥락에서 고전적 연합, 조건부 및 주변 분포의 양자 유사체는 무엇인가?
• RQ3 양자역학 원리와 고전적 추론과의 일치를 유지하면서 일반화된 베이즈의 정리를 어떻게 구성할 수 있는가?
• RQ4 고전적 베이지안 통계에서 예측 로그우도에 대한 표준 경계는 양자 설정으로 어떻게 일반화되는가?
• RQ5 균일한 밀도 행렬 1/n I는 무한한 수의 단위 벡터 집합에 대한 비고전적 형태의 균일성으로 어떻게 해석될 수 있는가?

주요 결과

• 이 프레임워크는 이산 또는 연속 모델 뿐 아니라 단위 벡터에 대한 불확실성까지 허용함으로써 고전적 베이지안 확률 이론을 일반화한다.
• 전체 확률의 법칙은 정규직교 기저 위에서 트레이스 기반 주변화를 통해 확장되며, 임의의 기저에서의 확률 합이 정확히 1이 되도록 보장한다.
• 양성과 트레이스가 1인 조건을 유지하는 행렬 연산을 사용하여 밀도 행렬을 업데이트하는 일반화된 베이즈의 정리가 도출된다.
• 관측된 데이터의 음의 로그우도는 최대 사후 추정기(MAP) 추정기의 음의 로그우도로 상한이 둔다. 이는 고전적 결과와 정확히 일치한다.
• 모든 밀도 행렬이 대각선일 경우, 이 미적분은 정확히 고전적 베이지안 확률로 축소되며, 이는 고전적 케이스와의 일치성을 확인한다.
• 균일한 밀도 행렬 1/n I는 모든 단위 벡터에 대해 동일한 확률 1/n을 할당하며, 이는 무한한 방향 집합에 대한 균일한 사전 확률을 반영한다. 이는 이 프레임워크의 비고전적 특성이다.