Efficient measure of information backflow with a quasistochastic process

1. El Problema

La caracterización y cuantificación de la dinámica no markoviana en sistemas cuánticos abiertos es un tema crucial en la computación y comunicación cuántica. En la dinámica markoviana, la información se disipa continuamente hacia el entorno. Por el contrario, la dinámica no markoviana exhibe efectos de memoria donde la información fluye de vuelta al sistema (retroceso de información), provocando una recuperación temporal de las características cuánticas.

El enfoque estándar para detectar este fenómeno, conocido como medida de Breuer-Laine-Piilo (BLP), se basa en la distancia de traza entre dos estados cuánticos. Un sistema es no markoviano si la distancia de traza entre dos estados iniciales aumenta en algún intervalo de tiempo. Sin embargo, este método tiene una desventaja significativa: requiere una optimización sobre todo el espacio de estados (maximizar sobre todos los pares posibles de estados iniciales). Esta optimización es analíticamente compleja y numéricamente costosa, especialmente para sistemas de alta dimensión, lo que dificulta la caracterización completa de la no markovianidad.

2. Metodología

Los autores proponen una nueva testigo y medida de retroceso de información que es explícitamente independiente del estado, eliminando la necesidad de optimización. La metodología se basa en dos pilares teóricos:

1. Representación de Cuasiprobabilidad (QPR): Utilizan un formalismo matemático que mapea objetos cuánticos (estados, canales, mediciones) a vectores y matrices de valores reales, análogos a las distribuciones de probabilidad clásicas pero permitiendo valores negativos (cuasiprobabilidades). En este marco, la evolución de un canal cuántico $\Lambda_t$ se representa mediante una matriz cuasiestocástica $S_{\Lambda_t}$.
2. Teoría de la Mayorización para Cuasiprobabilidades: Se apoyan en resultados recientes que extienden la teoría de la mayorización a cuasiprobabilidades. Específicamente, utilizan la entropía de Rényi de orden $\alpha=2$ (también conocida como entropía de colisión).

Derivación de la Medida:

• Se demuestra que si un canal es markoviano, la entropía de Rényi-2 de la distribución de cuasiprobabilidad debe ser monótona no decreciente (pérdida de información).
• La entropía de Rényi-2 se expresa como $H_2(q) = -\log(q^T q)$.
• La condición de monotonía para la evolución markoviana implica que la norma de la matriz del canal debe disminuir o mantenerse constante. Esto se traduce en la relación de desigualdad matricial:
  $$(S_{\Lambda_t})^T S_{\Lambda_t} \leq 1$$
  donde $S_{\Lambda_t}$ es la representación cuasiestocástica del canal dinámico.
• La violación de esta desigualdad (es decir, cuando los autovalores de $(S_{\Lambda_t})^T S_{\Lambda_t}$ aumentan) indica retroceso de información.

La nueva medida de no markovianidad $N$ se define como la integral de la tasa de cambio positiva de la norma de esta matriz:
$$N = \int_{\zeta > 0} dt \, \zeta(t), \quad \text{donde} \quad \zeta(t) = \frac{d}{dt} \| (S_{\Lambda_t})^T S_{\Lambda_t} \|$$

3. Contribuciones Clave

• Eliminación de la Optimización: La principal contribución es una medida que depende únicamente del mapa dinámico (la matriz $S_{\Lambda_t}$), sin necesidad de buscar el "peor par de estados" para maximizar el retroceso. Esto la hace computacionalmente eficiente.
• Independencia del Estado: La medida es intrínseca a la dinámica del sistema y no depende de la elección de estados iniciales específicos.
• Invarianza de Marco: Se demuestra que la medida es invariante bajo diferentes elecciones de representaciones de marcos mínimos (minimal frame representations), asegurando su robustez teórica.
• Conexión con Divisibilidad: La formulación recuerda a las condiciones de divisibilidad P o CP, pero se centra específicamente en el flujo de información, ofreciendo un criterio más débil (pero físicamente relevante para el retroceso) que la divisibilidad completa.

4. Resultados

Los autores validaron su propuesta aplicándola a varios modelos paradigmáticos:

• Modelo de Decoherencia Pura (Qubit):

  • El criterio derivado coincide exactamente con la condición de no markovianidad de la medida BLP y la divisibilidad P/CP: $\gamma(t) < 0$ (donde $\gamma(t)$ es la tasa de decaimiento).
  • Sin embargo, el valor numérico de la medida $N$ difiere de la medida BLP, ya que integra funciones diferentes de la tasa de decaimiento y la función de decoherencia.

• Modelo de Disipación (Qubit):

  • Se aplicó a un sistema con interacción que permite disipación en las poblaciones.
  • El testigo nuevamente coincide con las condiciones de BLP y divisibilidad CP, identificando la no markovianidad cuando $\gamma(t) < 0$.

• Canal Unitario Aleatorio (Qubit y Qutrit):

  • Qubit ($d=2$): Se recuperaron las condiciones conocidas para la markovianidad basadas en sumas de tasas de decaimiento ($\gamma_i + \gamma_j \geq 0$), coincidiendo con BLP y divisibilidad P, pero diferenciándose de la divisibilidad CP (que requiere $\gamma_i \geq 0$).
  • Qutrit ($d=3$): Se derivaron condiciones necesarias y suficientes para la markovianidad en un sistema de tres niveles bajo un canal unitario aleatorio. Esto es notable porque las caracterizaciones basadas en BLP para qutrits son altamente no triviales y a menudo solo proporcionan condiciones suficientes. El nuevo método proporciona un conjunto completo de desigualdades lineales sobre las tasas de decaimiento.

5. Significado e Implicaciones

• Eficiencia Computacional: La medida es particularmente útil para estudiar la evolución de sistemas cuánticos de grandes dimensiones, donde la optimización sobre el espacio de estados es prohibitiva.
• Perspectiva Fundamental:
  • El trabajo unifica la noción de reversión temporal para teorías clásicas y cuánticas bajo la operación de transpuesta en el marco de cuasiprobabilidades.
  • Se discute la relación entre la no negatividad de la matriz cuasiestocástica y la markovianidad. Curiosamente, se observa que la markovianidad puede coexistir con representaciones no negativas, mientras que la no markovianidad a menudo se asocia con la negatividad en el generador de la evolución (la matriz $L$), aunque la negatividad en el generador parece ser necesaria pero no suficiente.
• Futuro: Los autores sugieren que el estudio de la negatividad en el generador de la evolución cuántica es crucial para entender la diferencia fundamental entre procesos clásicos y cuánticos. Además, proponen que futuras extensiones podrían utilizar cuasiprobabilidades de Kirkwood-Dirac para estudiar fórmulas de regresión cuántica.

En resumen, el artículo presenta una herramienta teórica robusta y eficiente para cuantificar la memoria en sistemas cuánticos abiertos, superando las limitaciones computacionales de los métodos tradicionales basados en la optimización de estados.