Detecting bipartite entanglement with PnCP maps and non-negative polynomials

Cet article présente une implémentation numériquement robuste d'un algorithme de génération de cartes Positives non Complètement Positives (PnCP) via des polynômes non Sommes de Carrés, démontrant leur unicité théorique et leur capacité supérieure à détecter les états intriqués PPT par rapport aux critères existants.

L'essentiel

La vue d'ensemble : Trouver la colle « invisible »

Imaginez que vous avez deux boîtes. Parfois, le contenu de ces boîtes se compose simplement de deux objets distincts posés l'un à côté de l'autre (comme une chaussette dans une boîte et une chaussure dans une autre). Nous appelons cela séparable. Mais parfois, le contenu est magiquement lié d'une manière qui défie la physique normale ; ce qui arrive à la chausquette affecte instantanément la chaussure, peu importe la distance qui les sépare. C'est l'intrication.

Le problème auquel les scientifiques sont confrontés est le suivant : Comment faire la différence ?
Pour des boîtes simples, nous avons des tests faciles. Mais pour des boîtes plus complexes (spécifiquement des dimensions 3x3), il existe des états « sournois » qui semblent séparables à nos tests standards mais qui sont en réalité intriqués. Ce sont comme des « fantômes » qui se cachent à la vue de tous.

Les anciens outils vs le nouvel outil

Pendant longtemps, les scientifiques ont utilisé un outil appelé la Transposition Partielle (considérez cela comme un type spécifique de miroir). Si vous regardez l'état dans le miroir et qu'il semble « brisé » (négatif), vous savez qu'il est intriqué. Mais s'il semble « correct » (positif), le miroir dit : « Je ne sais pas, il pourrait être séparable ».

Cependant, les états « fantômes » mentionnés ci-dessus réussissent le test du miroir. Ils paraissent positifs, donc le miroir échoue à les débusquer.

Les auteurs de cet article introduisent un nouvel outil plus sensible basé sur les applications PnCP (Positives Non-Complètement Positives).

• L'analogie : Imaginez que vous avez un tamis (un filtre) qui retient les gros cailloux mais laisse passer le sable. L'ancien test du miroir est un tamis avec de gros trous ; il attrape les états intriqués évidents mais laisse passer les états « fantômes ».
• Les applications PnCP sont comme un tamis doté d'un maillage beaucoup plus fin. Ce sont des outils mathématiques conçus spécifiquement pour attraper ces états « fantômes » que l'ancien miroir rate.

Comment ils ont construit le nouvel outil

Les auteurs n'ont pas simplement deviné comment construire ce nouveau tamis. Ils ont utilisé une connexion ingénieuse entre deux mondes différents : la Physique Quantique et les Polynômes (des équations mathématiques avec des variables comme $x$ et $y$).

1. L'astuce mathématique : Ils ont examiné un type spécifique d'équation mathématique (un polynôme) qui est toujours positif (ne descend jamais en dessous de zéro) mais qui ne peut pas être construit simplement en additionnant les carrés d'autres équations. En mathématiques, ce sont des polynômes « non-sommes-de-carrés » rares et spéciaux.
2. La traduction : Ils ont utilisé un « traducteur » mathématique (un isomorphisme) pour transformer ces polynômes spéciaux et complexes en « tamis » quantiques (applications PnCP) nécessaires pour attraper les états intriqués.
3. Le code : Ils ont écrit un programme informatique (disponible sur GitHub) pour générer automatiquement ces polynômes et les transformer en détecteurs quantiques fonctionnels. Ils ont ajouté un « contrôle de sécurité » spécial pour s'assurer que l'ordinateur ne commette pas de petites erreurs de calcul qui ruineraient les résultats.

Ce qu'ils ont trouvé

Les auteurs ont testé leurs nouveaux détecteurs contre une bibliothèque de 2 000 états « fantômes » complexes (états intriqués PPT). Voici ce qui s'est passé :

• Les anciens gardiens ont échoué : Lorsqu'ils ont soumis ces états aux tests standards bien connus (comme le critère de « Réalignement » ou le test de la « Matrice de Covariance »), dans 98,3 % des cas, les tests ont déclaré : « Ces états sont sûrs/séparables ». Les tests ont manqué l'intrication.
• Le nouvel outil a réussi : Leurs applications PnCP ont réussi à détecter l'intrication dans ces états.
• La nature « fantôme » : Les auteurs ont constaté que ces nouvelles applications sont très sensibles. Elles se situent juste au bord du « cône » mathématique des détecteurs valides. Cela signifie qu'elles sont excellentes pour trouver les états « fantômes » spécifiques, mais qu'elles sont fragiles. Si vous ajoutez un peu de bruit (comme des parasites sur une radio), elles pourraient cesser de fonctionner. Elles sont précises, et non robustes.

La « famille » de détecteurs

L'article a également découvert quelque chose d'intéressant sur le fonctionnement de ces outils.

• Habituellement, une application crée un détecteur spécifique (comme un faisceau de lampe de poche unique).
• Les auteurs ont montré que l'on peut en fait créer une famille entière de détecteurs à partir de cette seule application en modifiant légèrement l'angle du faisceau.
• En testant de nombreux angles différents (en utilisant différents états de « rang de Schmidt »), ils ont pu trouver un meilleur angle qui capturait l'intrication de manière encore plus claire que le détecteur « Choi » standard.

Ce qu'ils n'ont PAS affirmé

Il est important de noter ce que l'article ne dit pas :

• Ils n'ont pas affirmé qu'il s'agit d'un outil pratique et quotidien pour les ingénieurs pour le moment. Les mathématiques sont complexes et les détecteurs sont fragiles face au bruit.
• Ils n'ont pas affirmé que cela résout le problème de la découverte de l'intrication dans tous les cas instantanément. L'article admet que trouver ces états est numériquement difficile (NP-difficile).
• Ils n'ont pas suggéré d'utiliser l'apprentissage automatique (machine learning) pour « entraîner » ces applications sur des états spécifiques. Ils ont analysé l'algorithme et ont constaté que les choix aléatoires faits durant le processus ne changent pas de manière fluide, ce qui signifie qu'une approche d'« apprentissage » simple ne fonctionnerait pas facilement.

Résumé

En bref, les auteurs ont construit un nouveau « filet » mathématique hautement spécialisé pour attraper un type spécifique d'intrication quantique qui se cachait de nos meilleurs filets existants. Ils ont prouvé mathématiquement que ce filet fonctionne, ont montré qu'il attrape des états que d'autres manquent, et ont rendu le code public pour que d'autres puissent l'essayer. Cependant, le filet est délicat et se situe juste au bord des règles mathématiques, ce qui en fait une découverte théorique puissante plutôt qu'un outil industriel robuste et prêt à l'emploi.

Résumé technique

Résumé Technique : Détection de l'intrication bipartite avec des cartes PnCP et des polynômes non négatifs

1. Énoncé du problème

La caractérisation des états intriqués, connue sous le nom de problème de la séparabilité, est un défi central de la théorie de l'information quantique. Bien que le critère de la Transposition Partielle Positive (PPT) fournisse une condition nécessaire et suffisante pour la séparabilité dans les systèmes de faible dimension (spécifiquement $2 \times 2$ et $2 \times 3$), il échoue à détecter les états « intriqués liés » (états PPT intriqués) dans des dimensions supérieures. Bien que des hiérarchies complètes de critères existent (par exemple, la hiérarchie Doherty-Parrilo-Spedalieri ou DPS basée sur des programmes de programmation semi-définie), leur coût computationnel augmente de manière exponentielle, ce qui les rend peu pratiques pour de nombreuses applications.

Les cartes Positives mais non Complètement Positives (PnCP) servent d'outil dual à la détection de l'intrication : un état $\rho$ est intriqué si et seulement s'il existe une carte PnCP $\Lambda$ telle que $(\mathbb{I} \otimes \Lambda)(\rho)$ ne soit pas semi-définie positive. Cependant, la construction de nouvelles cartes PnCP efficaces est difficile. Des travaux théoriques récents ont établi un lien entre les cartes PnCP et les polynômes positifs qui ne sont pas des Sommes de Carrés (non-SOS). Bien qu'un algorithme (KSMZ) ait été proposé pour générer de telles cartes, les implémentations précédentes souffraient d'instabilités numériques, menant à des faux positifs dans la détection de l'intrication.

2. Méthodologie

2.1 Cadre théorique

L'article repose sur l'isomorphisme entre :

1. Cartes Positives et Polynômes : L'isomorphisme KSMZ associe les applications linéaires $\Phi: S_n(\mathbb{R}) \to S_m(\mathbb{R})$ à des polynômes bihomogènes de bidegré $(2,2)$. Une carte est Positive si et seulement si le polynôme associé est non négatif sur les vecteurs produits.
2. Positivité Complète et SOS : Une carte est Complètement Positive (CP) si et seulement si son polynôme associé admet une décomposition en Somme de Carrés (SOS).
3. Indécomposabilité et Non-RSOS : Une carte est indécomposable (capable de détecter des états PPT intriqués) si et seulement si son polynôme hermitien n'est pas une Somme de Carrés Réels (RSOS).

Les auteurs utilisent la dualité entre la hiérarchie DPS (pour les états) et la hiérarchie SOS (pour les polynômes) pour classifier les cartes générées.

2.2 Implémentation de l'algorithme

Les auteurs ont implémenté l'algorithme KSMZ (de [1]) en MATLAB, le rendant disponible sur GitHub. L'algorithme construit des polynômes positifs non-SOS en deux étapes :

1. Construction de l'anneau quotient : Il travaille dans l'anneau quotient $\mathbb{R}[z]/I_{n,m}$, où $I_{n,m}$ encode la contrainte de rang un (la variété de Segre). Il sélectionne des points aléatoires sur la variété de Segre et construit un terme SOS de base $H(z)$ s'annulant en ces points.
2. Perturbation : Il ajoute un terme de perturbation $f(z)$ qui s'annule au second ordre aux points prescrits mais se situe en dehors de l'espace engendré par les produits des formes linéaires définissant $H$. Cela garantit que le polynôme résultant $q_\delta = H + \delta f$ est non négatif sur la variété de Segre mais n'est pas SOS dans l'anneau quotient.
3. Rétroaction (Pullback) : Le polynôme est ramené à une forme biquadratique $p(x,y)$, ce qui correspond à une carte PnCP.

2.3 Robustesse numérique

Une contribution critique de l'implémentation est un nouveau test numérique pour garantir la positivité. Les implémentations précédentes (ex. [29]) souffraient d'imprécisions numériques où les cartes générées n'étaient pas strictement positives. Les auteurs :

• Utilisent la hiérarchie de Lasserre pour calculer une borne inférieure globale des valeurs du polynôme.
• Exploitent la propriété selon laquelle, pour les polynômes bihomogènes non constants, l'infimum est soit $0$, soit $-\infty$.
• Ne conservent que les polynômes où la borne inférieure calculée est non négative, garantissant que les cartes générées sont strictement positives.

2.4 Témoins d'intrication (EW)

Pour appliquer ces cartes dans l'optimisation (SDP), les auteurs convertissent les cartes PnCP en Témoins d'Intrication via l'isomorphisme de Choi-Jamiołkowski. Ils proposent ensuite une méthode pour récupérer la pleine puissance de détection d'une carte en considérant une famille de témoins $\{W_{\Phi, \eta}\}$ dérivés de la carte adjointe $\Phi^\dagger$ agissant sur des vecteurs $|\eta\rangle$ ayant un rang de Schmidt maximal, plutôt que de se fier uniquement au témoin de Choi standard.

3. Contributions clés

1. Implémentation robuste : Une implémentation numériquement stable de l'algorithme KSMZ qui filtre les faux positifs, fournissant une bibliothèque fiable de cartes PnCP.
2. Caractérisation théorique :
   • Indécomposabilité : Les auteurs prouvent analytiquement que les cartes générées par l'algorithme sont indécomposables. Cela est démontré en montrant que les polynômes hermitiens associés ne sont pas RSOS, impliquant qu'ils peuvent détecter des états PPT intriqués.
   • Localisation de la frontière : Ils prouvent que ces cartes se situent sur la frontière du cône des cartes positives, expliquant leur sensibilité au bruit.
   • Inequivalence : Les cartes sont montrées comme étant inéquivalentes aux familles connues telles que les cartes de Choi généralisées et les cartes de Breuer-Hall. Spécifiquement, les cartes KSMZ manquent d'une partie antisymétrique dans leur cœur réel symétrique, une différence structurelle qui empêche leur équivalence avec ces autres cartes.
3. Optimisation des témoins : L'article démontre qu'une seule carte PnCP génère une famille de témoins. En optimisant le choix du vecteur $|\eta\rangle$ (spécifiquement ceux avec un rang de Schmidt maximal), on peut améliorer la capacité de détection (magnitude de la violation) par rapport au témoin de Choi standard.

4. Résultats

• Détection d'états PPT : Des expériences numériques sur des systèmes $3 \times 3$ montrent que les cartes KSMZ peuvent détecter des états PPT intriqués qui échappent aux critères standards (PPT, realignment, matrice de covariance).
• Comparaison avec QETLAB : Testées contre la fonction IsSeparable du package QETLAB (qui implémente une hiérarchie de 19 critères), les cartes KSMZ ont détecté l'intrication dans des états que IsSeparable n'a pas réussi à classifier (spécifiquement, 98,3 % des états violant maximalement dans leur jeu de données n'étaient pas détectés par les critères standards).
• Magnitude de la violation : La détection d'états PPT est « faible » en termes de magnitude. La marge PPT (l'espérance négative sur les états PPT) est typiquement de l'ordre de $10^{-6}$ à $10^{-8}$. Cela indique que les témoins se situent très près du cône décomposable, ce qui est cohérent avec leur position théorique sur la frontière du cône positif.
• Vérification de l'inequivalence : Les auteurs ont vérifié que les cartes KSMZ détectent des états que le critère de la Transposition Partielle manque, et inversement, que la Transposition Partielle détecte des états NPT que les cartes KSMZ (dans leur configuration spécifique) pourraient ne pas détecter, confirmant qu'ils sont des outils distincts.
• Impact de l'optimisation : L'utilisation de la famille de témoins (en optimisant sur les matrices inversibles $A$) a amélioré la magnitude de la violation pour certaines cartes (par exemple, de $-5,02 \times 10^{-8}$ à $-1,37 \times 10^{-7}$), bien que l'amélioration ne soit pas uniforme pour toutes les cartes.

5. Signification et affirmations

L'article affirme fournir un nouveau critère robuste pour la détection de l'intrication basé sur la génération constructive de cartes PnCP à partir de polynômes positifs non-SOS.

• Éclairage théorique : Il clarifie la relation géométrique et algébrique entre les polynômes, les cartes et les opérateurs, établissant spécifiquement que la construction KSMZ produit des cartes indécomposables qui sont structurellement distinctes des célèbres cartes de Choi et de Breuer-Hall.
• Utilité pratique : Les auteurs soutiennent que, bien que la détection d'états PPT par ces cartes soit numériquement fragile (étant proches de la frontière décomposable), elles offrent une capacité unique de détecter certains états PPT intriqués que les autres critères standards manquent.
• Limites : Les auteurs font preuve de modestie concernant la scalabilité et la robustesse. Ils notent que la puissance de détection est limitée par la proximité des cartes avec le cône décomposable, ce qui les rend sensibles au bruit. De plus, ils déclarent explicitement que la génération et l'application aléatoires de ces cartes ne constituent pas une solution en temps polynomial pour le problème de la séparabilité pour des états inconnus, car le processus de génération n'est pas continu par rapport à l'état cible, ce qui entrave les approches d'apprentissage automatique.
• Travaux futurs : L'article suggère que la bibliothèque de cartes construite pourrait être intégrée dans des outils existants (comme IsSeparable) en tant que test supplémentaire et inéquivalent. Ils proposent également comme travail futur l'ajout de parties antisymétriques aux cartes KSMZ pour potentiellement créer de nouvelles classes de cartes PnCP.

En résumé, ce travail fait le pont entre l'optimisation polynomiale et l'information quantique pour fournir une méthode numériquement vérifiée de génération d'une nouvelle classe de témoins d'intrication, élargissant ainsi l'outillage pour la détection de l'intrication liée dans les dimensions où les critères standards échouent.