Analysing causal structures in generalised probabilistic theories

Resumen Técnico: Análisis de Estructuras Causales en Teorías Probabilísticas Generalizadas

Planteamiento del Problema
Las estructuras causales proporcionan un marco para comprender el origen de las correlaciones observadas. Aunque están bien desarrolladas para escenarios clásicos, la violación de las desigualdades de Bell y otros fenómenos cuánticos requieren una generalización de estas estructuras para acomodar recursos no clásicos. Los análisis existentes han comparado extensamente las correlaciones clásicas y cuánticas dentro de estructuras causales específicas, derivando a menudo restricciones clásicas y demostrando sus violaciones cuánticas. Sin embargo, existe una comprensión limitada de las restricciones impuestas por los propios sistemas cuánticos y, más ampliamente, del comportamiento de teorías más allá de la mecánica cuántica, conocidas como Teorías Probabilísticas Generalizadas (GPT, por sus siglas en inglés). El desafío radica en analizar sistemáticamente las diferencias entre estas teorías (clásica, cuántica y GPT arbitrarias) para identificar los requisitos mínimos para las explicaciones causales y, potencialmente, distinguir la mecánica cuántica mediante principios físicos.

Metodología
Los autores proponen un método para derivar restricciones sobre las correlaciones observables en diversas estructuras causales basándose en la entropía de medición ($H^+$). Este enfoque extiende las técnicas entrópicas previas utilizadas para estructuras causales clásicas y cuánticas a la amplia clase de las GPT.

Componentes metodológicos clave:

1. Entropía de Medición: Los autores utilizan la entropía de Shannon mínima de las distribuciones de resultados tras mediciones finas. Definen la entropía de medición condicional ($H^+(A|B)$) y establecen un conjunto de propiedades (Positividad, Reducción a la entropía de Shannon, Procesamiento de datos, Independencia, Desigualdades de subsistemas clásicos, Subaditividad y relajaciones de la regla de la cadena) que se mantienen dentro de las GPT.
2. Método del Vector de Entropía: Para una estructura causal dada, los autores construyen un vector de entropía que comprende las entropías y las entropías condicionales de todos los conjuntos de sistemas coexistentes. Imponen un sistema de desigualdades lineales derivadas de las propiedades de la entropía de medición y de las independencias causales (por ejemplo, los nodos sin ancestros comunes son independientes).
3. Convexidad y Proyección: El conjunto de vectores de entropía alcanzables se proyecta sobre el espacio de las variables observadas mediante la eliminación de Fourier-Motzkin para derivar desigualdades marginales. Un conocimiento técnico central es la demostración de que, para cualquier estructura causal y cualquier GPT, el cierre del conjunto de vectores de entropía alcanzables forma un cono convexo.
4. Post-selección: El método se aplica a estructuras causales "post-seleccionadas", donde los nodos observados sin padres se dividen en alternativas (por ejemplo, $Y|X=1, \dots, Y|X=n$), permitiendo la derivación de desigualdades más fuertes que distinguen entre teorías.

Contribuciones Clave

• Generalización a las GPT: El artículo generaliza con éxito el análisis causal entrópico a las GPT arbitrarias, superando el problema de que ninguna medida de entropía única en las GPT retiene todas las propiedades de la entropía de von Neumann (específicamente la aditividad bajo composición). Los autores resuelven esto incluyendo explícitamente la entropía condicional en el análisis.
• Prueba del Cono Convexo: Los autores demuestran que el conjunto de vectores de entropía alcanzables para las variables observadas en cualquier estructura causal que involucre recursos de GPT es un cono convexo. Esto se había establecido previamente solo para recursos clásicos. Esta visión estructural facilita la comparación de conjuntos entrópicos entre diferentes teorías y permite pruebas de completitud mediante la verificación de puntos extremos.
• Refinamiento del Análisis Cuántico: El artículo demuestra que el método entrópico existente para estructuras causales cuánticas puede refinarse. Al imponer la positividad de las entropías condicionales (en lugar de depender únicamente de restricciones de monotonicidad débil), los autores muestran que las desigualdades resultantes para las variables observadas son válidas, simplificando el método cuántico.
• Proposición 1: Los autores demuestran que para estructuras causales donde ningún nodo tiene dos o más padres no observados, cualquier correlación alcanzable en una GPT arbitraria también es alcanzable en "box-world" (la GPT con el mayor espacio de estados consistente con la no-señalización). Esto implica que, para tales estructuras, box-world sirve como un límite superior universal para las correlaciones en todas las GPT.

Resultados
Los autores aplican su método a diversas estructuras causales, obteniendo los siguientes resultados:

• Escenario Instrumental: El conjunto de vectores de entropía alcanzables es idéntico para los recursos clásicos, cuánticos y de GPT arbitrarias. Las desigualdades derivadas (desigualdades de Shannon más $I(X:YZ) \leq H(Z)$) caracterizan completamente el escenario para todas estas teorías.
• Estructuras con Aproximaciones Coincidentes: Para ciertas estructuras (por ejemplo, la Figura 2 del artículo), las aproximaciones externas de los conos de entropía son idénticas para los recursos clásicos, cuánticos y de box-world.
• Estructuras con Aproximaciones Divergentes: Para otras estructuras (por ejemplo, las Figuras 3a y 3b), las aproximaciones externas difieren entre los recursos clásicos/cuánticos y los de box-world. Sin embargo, los autores señalan que aún no se han identificado correlaciones de GPT específicas que violen las desigualdades clásicas/cuánticas para estos casos; las brechas pueden reflejar limitaciones del método de aproximación externa más que diferencias reales en los conos de entropía.
• Bilocalidad (con Post-selección): El método distingue con éxito entre fuentes clásicas, cuánticas y GPT localmente tomográficas.
  • Las fuentes clásicas producen un cono restringido por las desigualdades de Shannon y otras 53 clases de desigualdades lineales.
  • Las fuentes cuánticas satisfacen restricciones más estrictas (por ejemplo, $I(X_0Y_0:Z_0) \leq H(Y_0|X_1)$).
  • Los recursos de box-world (específicamente las cajas PR) violan las desigualdades cuánticas, proporcionando una separación certificada entre las correlaciones cuánticas y de GPT en este escenario.
• Causalidad de la Información: Los autores derivan desigualdades para el escenario de Causalidad de la Información en GPT arbitrarias. Mientras que el principio estándar de Causalidad de la Información (que se mantiene para las teorías clásica y cuántica) es violado en box-world, los autores identifican nociones mínimas de causalidad (desigualdades (23) y (24)) que se mantienen para todas las GPT, mejorando los análisis previos.

Significancia
El artículo afirma su importancia al proporcionar una técnica sistemática para comparar estructuras causales a través de diferentes teorías físicas. Al derivar restricciones que son requisitos mínimos para cualquier explicación causal dentro de una GPT, el trabajo ayuda en la búsqueda de principios físicos que distingan la mecánica cuántica. Los autores enfatizan que su método mejora los enfoques entrópicos previos (específicamente respecto al escenario de Causalidad de la Información) y proporciona un marco riguroso para identificar cuándo las correlaciones alcanzables en una teoría (por ejemplo, box-world) son imposibles en otra (por ejemplo, clásica o cuántica). La prueba de la propiedad de cono convexo para las GPT se destaca como una visión estructural fundamental que permite comparaciones más robustas de los conjuntos entrópicos. Los autores se mantienen modestos respecto a las "brechas" encontradas en las aproximaciones externas, reconociendo que estas pueden ser artefactos del método más que características de los verdaderos conos de entropía, y señalan que las técnicas actuales no pueden distinguir teorías en estructuras como la estructura causal de triángulo sin post-selección.