Quantum Bayesian Networks: Compositionality and Typing via Linear Logic

Aquí se presenta un resumen técnico detallado del artículo "Redes Bayesianas Cuánticas: Composicionalidad y Tipado mediante Lógica Lineal" de Rémi Di Guardia, Thomas Ehrhard y Claudia Faggian.

1. Planteamiento del Problema

Contexto:
Las Redes Bayesianas (RB) son el marco estándar para el razonamiento probabilístico y la inferencia causal en sistemas clásicos. Se basan en un Grafo Acíclico Dirigido (DAG) donde los nodos representan variables aleatorias y las aristas representan dependencias condicionales. La semántica de una RB se define mediante una distribución de probabilidad conjunta factorizada en Tablas de Probabilidad Condicional (CPT). Una fortaleza clave de las RB clásicas es la composicionalidad: la capacidad de calcular distribuciones marginales (inferencia) realizando operaciones locales (producto y suma-eliminación) sobre factores sin construir la distribución conjunta completa.

La Brecha:
Al extender las RB a sistemas cuánticos (Redes Bayesianas Cuánticas o RBC), los marcos existentes (específicamente el enfoque basado en instrumentos de Henson, Lal y Pusey [10]) enfrentan dos limitaciones críticas:

1. Falta de Composicionalidad: La definición estándar requiere un orden de evaluación global y de arriba hacia abajo. No permite que la semántica de una sub-red se calcule independientemente y luego se componga con otras. Esto impide el razonamiento modular.
2. Incompatibilidad de Operaciones: La inferencia clásica se basa en "compartir" variables (multiplicando factores sobre variables compartidas). La mecánica cuántica, gobernada por el Teorema de No-Clonación, prohíbe la duplicación de estados cuánticos. Las redes tensoriales estándar manejan datos cuánticos pero carecen del mecanismo para manejar eficientemente la "suma-eliminación" (marginalización) de variables ocultas de una manera que preserve la eficiencia de los algoritmos de inferencia clásica.

Objetivo:
Los autores buscan desarrollar un formalismo para las RBC que:

• Generalice las RB clásicas para incluir datos cuánticos.
• Restablezca la composicionalidad y la modularidad (permitiendo que las sub-redes se definan y compongan independientemente).
• Garantice el tipado para asegurar que las composiciones resulten en DAGs válidos (sin ciclos).
• Mantenga la compatibilidad con las técnicas de inferencia clásica existentes.

---

2. Metodología

Los autores emplean un enfoque dual que combina Semántica Denotacional (adaptando específicamente el trabajo de Selinger) y Teoría de la Prueba (Lógica Lineal).

A. Factores Cuánticos (Q-factores)

La innovación matemática central es la introducción de Factores Cuánticos (Q-factores).

• Definición: Un Q-factor es una función $\phi: \text{Val}(X) \to \mathcal{L}(\mathcal{H}_Q)^+$, que mapea asignaciones de variables clásicas a operadores positivos sobre un espacio de Hilbert (registro cuántico).
• Unificación: Esta definición unifica los factores clásicos (donde el espacio de Hilbert es unidimensional) y los estados cuánticos (donde el conjunto clásico está vacío).
• Operaciones: Los autores definen dos operaciones sobre los Q-factores:
  1. Producto ($\odot$): Combina dos Q-factores. Crucialmente, para variables clásicas, se comporta como la multiplicación estándar de factores (compartiendo valores). Para registros cuánticos, se comporta como el producto tensorial pero utiliza una diferencia simétrica ($Q_1 \Delta Q_2$) para el alcance del registro resultante para respetar el Teorema de No-Clonación (los qubits se consumen/fusionan, no se duplican).
  2. Suma-eliminación ($\sum$): Marginaliza variables.
     • Para variables clásicas: Suma sobre valores.
     • Para registros cuánticos: Trazado parcial ($\text{tr}$).
• Cierre: El conjunto de Q-factores es cerrado bajo tanto el producto como la suma-eliminación, lo que permite el cálculo modular de marginales.

B. CPTs Cuánticas (Q-cpts)

Para asegurar que la semántica de una red resulte en una distribución de probabilidad válida (y no solo en un operador positivo arbitrario), los autores definen CPTs Cuánticas.

• Son Q-factores que satisfacen condiciones específicas de normalización (análogo a matrices estocásticas para variables clásicas y estados de Choi para canales cuánticos).
• Una RBC se define como un DAG donde cada nodo está asociado a una Q-cpt.

C. Formalismo Gráfico Tipado (Lógica Lineal)

Para abordar la modularidad y la prevención de ciclos (propiedad DAG), los autores codifican las RBC en Redes de Prueba de Lógica Lineal Multiplicativa (MLL).

• Tipos: Las variables clásicas y los qubits se asignan polaridades (positivas/negativas).
  • Átomos negativos ($X^-, q^-$) representan entradas.
  • Átomos positivos ($X^+, q^+$) representan salidas.
• Cajas: Los nodos en la RBC se representan como "cajas" en la red de prueba, conteniendo una Q-cpt.
• Polaridad y DAGs: La polaridad de las fórmulas induce una orientación en las aristas del grafo. Los autores demuestran que una red de prueba "polarizada" corresponde exactamente a un DAG.
• Composición: Dos redes de prueba pueden componerse mediante la Regla de Corte si sus tipos son duales (por ejemplo, $A$ y $A^\perp$). Esta disciplina de tipado garantiza estáticamente que el grafo resultante es un DAG válido.

---

3. Contribuciones Clave

1. Definición de Factores Cuánticos (Q-factores):

   • Un nuevo objeto matemático que generaliza los factores clásicos y las redes tensoriales.
   • Resuelve la tensión entre el compartir de variables clásicas y el no-clonado cuántico definiendo una operación de producto que maneja el compartir clásico y la fusión cuántica (mediante diferencia simétrica de registros).

2. Semántica Composicional para RBC:

   • El artículo reformula las RBC de tal manera que la semántica de toda la red es el producto de la semántica de sus sub-redes ($\llbracket B \rrbracket = \llbracket B_1 \rrbracket \odot \llbracket B_2 \rrbracket$).
   • Esto permite una inferencia modular: se puede calcular la marginal de un subcomponente sumando-eliminando variables ocultas localmente, una característica ausente en las definiciones anteriores basadas en instrumentos.

3. Disciplina de Tipado mediante Lógica Lineal:

   • Los autores mapean las RBC a redes de prueba de MLL.
   • Demuestran que el tipado garantiza la modularidad: componer dos redes de prueba bien tipadas (mediante corte) siempre produce una red de prueba válida (y por tanto un DAG válido), previniendo la formación de ciclos causales.
   • Esto proporciona una verificación estática para la validez estructural de los modelos causales cuánticos.

4. Pruebas de Equivalencia:

   • Se demuestra que la definición basada en Q-factores es equivalente a la definición basada en instrumentos en [10].
   • Se muestra que la semántica de una RBC es idéntica a la semántica de su red de prueba cuántica correspondiente.

---

4. Resultados

• Equivalencia Teórica: El artículo establece que el nuevo formalismo de Q-factores es matemáticamente equivalente a las RBC basadas en instrumentos existentes, pero ofrece propiedades estructurales superiores (composicionalidad).
• Preservación de Límites Clásicos:
  • Si todos los nodos son clásicos, el producto de Q-factores se reduce a la multiplicación estándar de factores, y el marco colapsa a las Redes Bayesianas estándar.
  • Si todos los nodos son cuánticos, el marco se comporta como Redes Tensoriales.
• Invariancia de la Semántica: La semántica de una red de prueba es invariante bajo reducción (eliminación de cortes). Esto significa que el orden de cálculo (pasos de reducción) no cambia la distribución de probabilidad final, asegurando la robustez del proceso de inferencia.
• Modularidad: El sistema de tipado previene exitosamente la construcción de grafos cíclicos (por ejemplo, el ejemplo en la Fig. 4 donde $N_0$ y $N_2$ no pueden componerse porque sus tipos son incompatibles, mientras que $N_0$ y $N_1$ se componen en un DAG válido).

---

5. Significado

• Puente entre Inferencia y Causalidad: El trabajo integra exitosamente la perspectiva de modelado causal (RBC) con la perspectiva de inferencia eficiente (algoritmos basados en factores). Los modelos causales cuánticos anteriores a menudo luchaban por soportar la marginalización eficiente de variables ocultas.
• Potencial Algorítmico: Al establecer que los Q-factores son cerrados bajo producto y suma-eliminación, el artículo allana el camino para adaptar algoritmos de inferencia eficiente clásicos (como Eliminación de Variables o Propagación de Creencias) al dominio cuántico.
• Rigor Fundacional: El uso de la Lógica Lineal proporciona una base rigurosa, de teoría de tipos, para las estructuras causales cuánticas. Va más allá de definiciones ad-hoc hacia un sistema donde las propiedades estructurales (como la aciclicidad) están garantizadas por el sistema de tipos.
• Aplicaciones Futuras: Este marco es esencial para:
  • Criptografía Independiente del Dispositivo: Analizar protocolos donde la confianza en los dispositivos se minimiza.
  • Aprendizaje Automático Cuántico: Desarrollar modelos que puedan razonar sobre datos mixtos clásico-cuánticos.
  • Fundamentos de la Física: Proporcionar un lenguaje formal para discutir la no-localidad y el entrelazamiento dentro de un marco de inferencia causal.

En resumen, el artículo resuelve el "problema de composicionalidad" en las Redes Bayesianas Cuánticas introduciendo Q-factores y un sistema de tipado de Lógica Lineal, permitiendo un razonamiento modular, eficiente y estructuralmente sólido sobre sistemas causales mixtos clásico-cuánticos.