Detecting bipartite entanglement with PnCP maps and non-negative polynomials

Este artículo presenta una implementación numéricamente robusta de un algoritmo para generar mapas Positivos no Completamente Positivos (PnCP) mediante polinomios que no son Sumas de Cuadrados, demostrando su unicidad teórica y su capacidad superior para detectar estados entrelazados PPT en comparación con los criterios existentes.

Lo esencial

La visión general: Encontrando el pegamento "invisible"

Imagina que tienes dos cajas. A veces, el contenido de estas cajas son simplemente dos cosas separadas situadas una al lado de la otra (como un calcetín en una caja y un zapato en otra). A esto lo llamamos separable. Pero a veces, el contenido está mágicamente vinculado de una manera que desafía la física normal; lo que le sucede al calcetín afecta instantáneamente al zapato, sin importar qué tan lejos estén. Esto es el entrelazamiento.

El problema que enfrentan los científicos es: ¿Cómo distinguimos la diferencia?
Para cajas simples, tenemos pruebas fáciles. Pero para cajas más complejas (específicamente de dimensiones 3x3), existen estados "truculentos" que parecen separables ante nuestras pruebas estándar, pero que en realidad están entrelazados. Estos son como "fantasmas" que se esconden a plena vista.

Las herramientas antiguas frente a la nueva herramienta

Durante mucho tiempo, los científicos utilizaron una herramienta llamada Transposición Parcial (piensa en ella como un tipo específico de espejo). Si miras el estado en el espejo y parece "roto" (negativo), sabes que está entrelazado. Pero si parece "bien" (positivo), el espejo dice: "No lo sé, podría ser separable".

Sin embargo, los estados "fantasma" mencionados anteriormente pasan la prueba del espejo. Parecen positivos, por lo que el espejo no logra detectarlos.

Los autores de este artículo presentan una nueva herramienta más sensible basada en mapas Positivos No Completamente Positivos (PnCP).

• La analogía: Imagina que tienes un tamiz (un filtro) que atrapa piedras grandes pero deja pasar la arena. La vieja prueba del espejo es un tamiz con agujeros grandes; atrapa los estados entrelazados obvios, pero deja que los estados "fantasma" se escapen.
• Los nuevos mapas PnCP son como un tamiz con una malla mucho más fina. Son herramientas matemáticas diseñadas específicamente para atrapar esos estados "fantasma" que el viejo espejo no detecta.

Cómo construyeron la nueva herramienta

Los autores no solo adivinaron cómo construir este nuevo tamiz. Utilizaron una conexión ingeniosa entre dos mundos diferentes: la Física Cuántica y los Polinomios (ecuaciones matemáticas con variables como $x$ e $y$).

1. El truco matemático: Observaron un tipo específico de ecuación matemática (un polinomio) que siempre es positivo (nunca baja de cero) pero que no puede construirse simplemente sumando cuadrados de otras ecuaciones. En matemáticas, estos son polinomios "no-suma-de-cuadrados" raros y especiales.
2. La traducción: Utilizaron un "traductor" matemático (un isomorfismo) para convertir estos polinomios especiales y complicados en los "tamices" cuánticos (mapas PnCP) necesarios para atrapar los estados entrelazados.
3. El código: Escribieron un programa informático (disponible en GitHub) para generar automáticamente estos polinomios y convertirlos en detectores cuánticos funcionales. Añadieron un "control de seguridad" especial para asegurarse de que la computadora no cometiera errores de cálculo diminutos que arruinarían los resultados.

Qué encontraron

Los autores probaron sus nuevos detectores contra una biblioteca de 2,000 estados "fantasma" truculentos (estados entrelazados PPT). Esto fue lo que sucedió:

• Los antiguos guardianes fallaron: Cuando pasaron estos estados por las pruebas estándar y bien conocidas (como el criterio de "Realineación" o la prueba de la "Matriz de Covarianza"), el 98.3% de las veces, las pruebas dijeron: "Estos son seguros/separables". Las pruebas pasaron por alto el entrelazamiento.
• La nueva herramienta tuvo éxito: Sus nuevos mapas PnCP detectaron con éxito el entrelazamiento en estos estados.
• La naturaleza de "fantasma": Los autores descubrieron que estos nuevos mapas son muy sensibles. Se encuentran justo en el borde del "cono" matemático de los detectores válidos. Esto significa que son excelentes para encontrar los estados "fantasma" específicos, pero son frágiles. Si se añade un poco de ruido (como la estática en una radio), podrían dejar de funcionar. Son precisos, no robustos.

La "familia" de detectores

El artículo también descubrió algo interesante sobre cómo funcionan estas herramientas.

• Normalmente, un mapa crea un detector específico (como el haz de una sola linterna).
• Los autores demostraron que, de hecho, se puede crear toda una familia de detectores a partir de ese único mapa, cambiando ligeramente el ángulo del haz.
• Al probar muchos ángulos diferentes (usando diferentes estados de "rango de Schmidt"), pudieron encontrar un mejor ángulo que capturaba los estados entrelazados de forma aún más clara que el detector "Choi" estándar.

Lo que NO afirmaron

Es importante notar lo que el artículo no dice:

• No afirmaron que esto sea una herramienta práctica y cotidiana para ingenieros todavía. Las matemáticas son complejas y los detectores son frágiles ante el ruido.
• No afirmaron que esto resuelve el problema de encontrar el entrelazamiento en todos los casos de forma instantánea. El artículo admite que encontrar estos estados es computacionalmente difícil (NP-duro).
• No sugirieron usar el aprendizaje automático (machine learning) para "entrenar" estos mapas con estados específicos. Analizaron el algoritmo y descubrieron que las elecciones aleatorias realizadas durante el proceso no cambian de forma suave, lo que significa que un enfoque simple de "aprendizaje" no funcionaría fácilmente.

Resumen

En resumen, los autores construyeron una "red" matemática altamente especializada para atrapar un tipo específico de entrelazamiento cuántico que se había estado escondiendo de nuestras mejores redes existentes. Demostraron matemáticamente que esta red funciona, mostraron que atrapa estados que otros pasan por alto y pusieron el código a disposición del público para que otros puedan probarlo. Sin embargo, la red es delicada y se sitúa justo en el borde de las reglas matemáticas, lo que significa que es un descubrimiento teórico poderoso más que una herramienta industrial robusta y lista para usar.

Resumen técnico

Resumen Técnico: Detección de Entrelazamiento Bipartito con Mapas PnCP y Polinomios No Negativos

1. Planteamiento del Problema

La caracterización de los estados entrelazados, conocida como el problema de la separabilidad, es un desafío central en la teoría de la información cuántica. Si bien el criterio de la Transposición Parcial Positiva (PPT) proporciona una condición necesaria y suficiente para la separabilidad en sistemas de baja dimensión (específicamente $2 \times 2$ y $2 \times 3$), este falla al detectar estados "entrelazados ligados" (estados PPT entrelazados) en dimensiones superiores. Aunque existen jerarquías completas de criterios (por ejemplo, la jerarquía de Doherty-Parrillo-Spedalieri o DPS basada en Programas de Semidefinición Semidefinida), su costo computacional escala exponencialmente, lo que los hace poco prácticos para muchas aplicaciones.

Los mapas Positivos pero no Completamente Positivos (PnCP) sirven como una herramienta dual para la detección de entrelazamiento: un estado $\rho$ es entrelazado si y solo si existe un mapa PnCP $\Lambda$ tal que $(\mathbb{I} \otimes \Lambda)(\rho)$ no es semidefinido positivo. Sin embargo, la construcción de nuevos y efectivos mapas PnCP es difícil. Un trabajo teórico reciente estableció un vínculo entre los mapas PnCP y los polinomios positivos que no son Suma de Cuadrados (no-SOS). Aunque se propuso un algoritmo (KSMZ) para generar tales mapas, las implementaciones previas sufrieron de inestabilidades numéricas, lo que derivó en falsos positivos en la detección de entrelazamiento.

2. Metodología

2.1 Marco Teórico

El artículo se basa en el isomorfismo entre:

1. Mapas Positivos y Polinomios: El isomorfismo KSMZ mapea mapas lineales $\Phi: S_n(\mathbb{R}) \to S_m(\mathbb{R})$ a polinomios bihomogéneos de bidegrado $(2,2)$. Un mapa es Positivo si y solo si el polinomio asociado es no negativo sobre vectores producto.
2. Positividad Completa y SOS: Un mapa es Completamente Positivo (CP) si y solo si su polinomio asociado admite una descomposición de Suma de Cuadrados (SOS).
3. Indecomposabilidad y No-RSOS: Un mapa es indecomposable (capaz de detectar estados entrelazados PPT) si y solo si su polinomio hermítico no es una Suma de Cuadrados Real (RSOS).

Los autores utilizan la dualidad entre la jerarquía DPS (para estados) y la jerarquía SOS (para polinomios) para clasificar los mapas generados.

2.2 Implementación del Algoritmo

Los autores implementaron el algoritmo KSMZ (de [1]) en MATLAB, poniéndolo a disposición en GitHub. El algoritmo construye polinomios positivos no-SOS en dos pasos:

1. Construcción del Anillo Cociente: Trabaja en el anillo cociente $\mathbb{R}[z]/I_{n,m}$, donde $I_{n,m}$ codifica la restricción de rango uno (la variedad de Segre). Selecciona puntos aleatorios en la variedad de Segre y construye un término base SOS $H(z)$ que se anula en estos puntos.
2. Perturbación: Añade un término de perturbación $f(z)$ que se anula de segundo orden en los puntos prescritos pero que se encuentra fuera del espacio generado por los productos de las formas lineales que definen a $H$. Esto asegura que el polinomio resultante $q_\delta = H + \delta f$ sea no negativo en la variedad de Segre pero no SOS en el anillo cociente.
3. Pullback: El polinomio se traslada mediante un pullback a una forma bicuadrática $p(x,y)$, que corresponde a un mapa PnCP.

2.3 Robustez Numérica

Una contribución crítica de la implementación es un nuevo test numérico para garantizar la positividad. Las implementaciones previas (por ejemplo, [29]) sufrían de imprecisiones numéricas donde los mapas generados no eran estrictamente positivos. Los autores:

• Utilizan la jerarquía de Lasserre para calcular un límite inferior global de los valores del polinomio.
• Aprovechan la propiedad de que, para polinomios bihomogéneos no constantes, el ínfimo es $0$o$-\infty$.
• Retienen solo aquellos polinomios donde el límite inferior calculado es no negativo, asegurando que los mapas generados sean estrictamente positivos.

2.4 Testigos de Entrelazamiento (EWs)

Para aplicar estos mapas en optimización (SDP), los autores convierten los mapas PnCP en Testigos de Entrelazamiento (Entanglement Witnesses) mediante el isomorfismo de Choi-Jamiołkowski. Además, proponen un método para recuperar el poder de detección completo de un mapa considerando una familia de testigos $\{W_{\Phi, \eta}\}$ derivados del mapa adjunto $\Phi^\dagger$ actuando sobre vectores $|\eta\rangle$ con rango de Schmidt máximo, en lugar de depender únicamente del testigo de Choi estándar.

3. Contribuciones Clave

1. Implementación Robusta: Una implementación numéricamente estable del algoritmo KSMZ que filtra los falsos positivos, proporcionando una biblioteca confiable de mapas PnCP.
2. Caracterización Teórica:
   • Indecomposabilidad: Los autores prueban analíticamente que los mapas generados por el algoritmo son indecomposables. Esto se demuestra mostrando que los polinomios hermíticos asociados no son RSOS, lo que implica que pueden detectar estados entrelazados PPT.
   • Localización en la Frontera: Prueban que estos mapas se encuentran en la frontera del cono de los mapas positivos, lo que explica su sensibilidad al ruido.
   • Inequivalencia: Se demuestra que los mapas son inequivalentes a familias conocidas como los mapas de Choi generalizados y los mapas de Breuer-Hall. Específicamente, los mapas KSMZ carecen de una parte antisimétrica en su núcleo real simétrico, una diferencia estructural que impide que sean equivalentes a estos otros mapas.
3. Optimización de Testigos: El artículo demuestra que un solo mapa PnCP genera una familia de testigos. Al optimizar sobre la elección del vector $|\eta\rangle$ (específicamente aquellos con rango de Schmidt máximo), se puede mejorar la capacidad de detección (magnitud de la violación) en comparación con el testigo de Choi estándar.

4. Resultados

• Detección de Estados PPT: Experimentos numéricos en sistemas $3 \times 3$ muestran que los mapas KSMZ pueden detectar estados entrelazados PPT que son omitidos por criterios estándar (PPT, realineamiento, matriz de covarianza).
• Comparación con QETLAB: Al ser probados contra la función IsSeparable del paquete QETLAB (que implementa una jerarquía de 19 criterios), los testigos KSMZ detectaron entrelazamiento en estados que IsSeparable no logró clasificar (específicamente, el 98.3% de los estados de máxima violación en su conjunto de datos no fueron detectados por los criterios estándar).
• Magnitud de la Violación: La detección de estados PPT es "débil" en términos de magnitud. El margen PPT (el valor esperado negativo en estados PPT) es típicamente del orden de $10^{-6}$ a $10^{-8}$. Esto indica que los testigos se encuentran muy cerca del cono decomponible, lo cual es consistente con su ubicación teórica en la frontera del cono positivo.
• Verificación de Inequivalencia: Los autores verificaron que los mapas KSMZ detectan estados que el criterio de Transposición Parcial omite, y que, recíprocamente, la Transposición Parcial detecta estados NPT que los mapas KSMZ (en su configuración específica) podrían no detectar, confirmando que son herramientas distintas.
• Impacto de la Optimización: El uso de la familia de testigos (optimizando sobre matrices invertibles $A$) mejoró la magnitud de la violación para algunos mapas (por ejemplo, de $-5.02 \times 10^{-8}$ a $-1.37 \times 10^{-7}$), aunque la mejora no fue uniforme en todos los mapas.

5. Significado y Reivindicaciones

El artículo afirma proporcionar un nuevo y robusto criterio para la detección de entrelazamiento basado en la generación constructiva de mapas PnCP a partir de polinomios positivos no-SOS.

• Perspectiva Teórica: Clarifica la relación geométrica y algebraica entre polinomios, mapas y operadores, estableciendo específicamente que la construcción KSMZ produce mapas indecomposables que son estructuralmente distintos de los famosos mapas de Choi y Breuer-Hall.
• Utilidad Práctica: Los autores argumentan que, si bien la detección de estados PPT por estos mapas es numéricamente frágil (al estar cerca de la frontera decomponible), ofrecen una capacidad única para detectar estados entrelazados PPT específicos que otros criterios estándar omiten.
• Limitaciones: Los autores son modestos respecto a la escalabilidad y la robustez. Señalan que el poder de detección está limitado por la proximidad de los mapas al cono decomponible, lo que los hace sensibles al ruido. Además, declaran explícitamente que la generación y aplicación aleatoria de estos mapas no constituye una solución de tiempo polinomial para el problema de la separabilidad de estados desconocidos, ya que el proceso de generación no es continuo con respecto al estado objetivo, lo que dificulta los enfoques de aprendizaje automático.
• Trabajo Futuro: El artículo sugiere que la biblioteca de mapas construida podría integrarse en herramientas existentes (como IsSeparable) como una prueba adicional e inequivalente. También proponen como trabajo futuro la adición de partes antisimétricas a los mapas KSMZ para crear potencialmente nuevas clases de mapas PnCP.

En resumen, el trabajo tiende un puente entre la optimización de polinomios y la información cuántica para proporcionar un método numéricamente verificado de generación de una nueva clase de testigos de entrelazamiento, expandiendo el conjunto de herramientas para la detección de entrelazamiento ligado en dimensiones donde los criterios estándar fallan.