[论文解读] Inverses, disintegrations, and Bayesian inversion in quantum Markov categories

Arthur J. Parzygnat|arXiv (Cornell University)|Jan 21, 2020

Algebraic structures and combinatorial models参考文献 62被引用 8

一句话总结

本文引入量子马尔可夫范畴作为范畴论框架，统一经典与量子概率，通过逆元、分解与贝叶斯反演系统研究可逆性。其建立了一个层级结构——可逆 ⇒ 可分解 ⇒ 贝叶斯可逆，并证明贝叶斯反演同时推广了前两者；关键成果包括在S-正与几乎处处模范畴中，一个普遍的不可克隆定理与一个非交换Fisher–Neyman因子分解定理。

ABSTRACT

We introduce quantum Markov categories as a structure that refines and extends a synthetic approach to probability theory and information theory so that it includes quantum probability and quantum information theory. In this broader context, we analyze three successively more general notions of reversibility and statistical inference: ordinary inverses, disintegrations, and Bayesian inverses. We prove that each one is a strictly special instance of the latter for certain subcategories, providing a categorical foundation for Bayesian inversion as a generalization of reversing a process. We unify the categorical and $C^*$-algebraic notions of almost everywhere (a.e.) equivalence. As a consequence, we prove many results including a universal no-broadcasting theorem for S-positive categories, a generalized Fisher--Neyman factorization theorem for a.e. modular categories, a relationship between error correcting codes and disintegrations, and the relationship between Bayesian inversion and Umegaki's non-commutative sufficiency.

研究动机与目标

• 开发一种范畴论框架——量子马尔可夫范畴——以扩展经典马尔可夫范畴，使其涵盖量子概率与量子信息理论。
• 在经典与量子设定下，形式化并统一三种可逆性概念：普通逆元、分解与贝叶斯逆元。
• 为贝叶斯反演建立范畴论基础，将其作为过程反演的一般化形式，尤其在非交换、量子情境中。
• 统一范畴论与C∗-代数中“几乎处处（a.e.）”等价的概念，并确定其在量子统计推断中的作用。
• 证明新结果，如普遍不可克隆定理与在量子设定中推广的Fisher–Neyman因子分解定理。

提出的方法

• 将量子马尔可夫范畴引入为经典马尔可夫范畴的改进形式，将C∗-代数之间的完全正单位映射（CPU）范畴嵌入一个更大的范畴，该范畴包含一个复制映射。
• 使用字符串图与范畴公理，定义并分析三种逐步更一般的可逆性概念：普通逆元、分解与贝叶斯逆元。
• 引入“几乎处处模子范畴”（后称S-正或几乎处处模范畴）的概念，以将经典结果如Fisher–Neyman因子分解推广至非交换设定。
• 利用S-正与严格正子范畴的结构，推导出普遍定理，包括不可克隆结果与因果性条件。
• 在量子设定中形式化几乎处处等价与几乎处处确定性，证明其与算子代数定义的一致性，并支持图示化推理。
• 在几乎处处模设定中，证明贝叶斯反演包含分解，而分解又包含逆元，且通过反例表明这些蕴含关系是严格的。

实验结果

研究问题

• RQ1 如何利用范畴论将经典可逆性概念（如逆元、分解与贝叶斯反演）推广至量子设定？
• RQ2 在量子马尔可夫范畴中，特别是非交换设定下，哪些范畴条件可确保分解与贝叶斯逆元的存在？
• RQ3 量子概率中的“几乎处处（a.e.）”等价与a.e.确定性概念如何与范畴论及C∗-代数结构相关联？
• RQ4 在何种意义上贝叶斯反演是量子系统中过程反演的最一般形式？其与Umegaki的非交换充分性有何关系？
• RQ5 能否在一个统一经典与量子概率的范畴框架中，推导出如不可克隆与因子分解等普遍定理？

主要发现

• 完全正单位（CPU）映射之间的C∗-代数范畴可嵌入一个支持复制映射的量子马尔可夫范畴，即使物理上无法实现复制映射（因不可克隆定理），该嵌入仍支持图示化推理。
• 在任意几乎处处模子范畴中，每个保持态的逆元都是分解，且每个分解都是贝叶斯逆元，但反之不成立。
• 在量子马尔可夫范畴的S-正子范畴中，证明了普遍不可克隆定理，推广了量子信息理论中的不可克隆原理。
• 在几乎处处模范畴中，建立了推广的Fisher–Neyman因子分解定理，将经典结果扩展至非交换、量子统计模型。
• 从算子代数中引入的非交换几乎处处等价概念，与Cho与Jacobs的字符串图定义在扩展至量子马尔可夫范畴时保持一致。
• 在范畴框架中，形式化并证明了贝叶斯反演与Umegaki的非交换充分性之间的关系，表明贝叶斯反演捕捉了量子统计模型中充分性的本质。