Optimising the relative entropy under semidefinite constraints

Sintesi Tecnica: Ottimizzazione dell'Entropia Relativa sotto Vincoli Semidefiniti

Enunciato del Problema
Il problema centrale affrontato è la minimizzazione dell'entropia relativa quantistica $D(\rho\|\sigma) = \text{tr}[\rho(\log \rho - \log \sigma)]$ soggetta a vincoli semidefiniti. Questa ottimizzazione sorge in varie attività di informazione quantistica, in particolare nella stima dei tassi di chiave segreta per la Distribuzione di Chiavi Quantistiche (QKD) a partire da statistiche di misurazione di dispositivi reali. La formulazione matematica cerca di trovare:
$$\inf D(\rho\|\sigma) \quad \text{s.t.} \quad h_i(\rho, \sigma) \ge 0, \quad \mu\sigma \le \rho \le \lambda\sigma, \quad \rho, \sigma \in \mathcal{S}(\mathcal{H})$$
dove $h_i$ sono mappe affini che rappresentano i vincoli di misurazione. Sebbene il problema sia convesso, è altamente non lineare a causa del logaritmo matriciale, rendendo inefficaci i comuni solver di ottimizzazione convessa per istanze generali. I metodi esistenti spesso soffrono di instabilità numerica, mancano di garanzie di convergenza dimostrabili o sono limitati a tipi specifici di vincoli (ad esempio, solo vincoli di uguaglianza).

Metodologia
Gli autori propongono un metodo basato su una recentemente introdotta rappresentazione integrale dell'entropia relativa quantistica (Frenkel, 2023; Jenčová, 2015). Per gli stati che soddisfano $\mu\sigma \le \rho \le \lambda\sigma$, l'entropia relativa è espressa come:
$$D(\rho\|\sigma) = \int_{\mu}^{\lambda} \frac{ds}{s} \text{tr}_+[\sigma s - \rho] + \log \lambda + 1 - \lambda$$
dove $\text{tr}_+[A]$ denota la traccia della parte positiva di $A$. L'innovazione tecnica fondamentale è la discretizzazione di questo integrale per trasformare il problema non lineare in una sequenza di Programmi Semidefiniti (SDP).

1. Discretizzazione e Formulazione SDP: L'integrale viene approssimato su una griglia $t = (t_1, \dots, t_r)$. Utilizzando la proprietà per cui $\text{tr}_+[A]$ può essere formulata come un SDP (specificamente, $\text{tr}_+[A] = \sup_{0 \le P \le 1} \text{tr}[PA]$), gli autori derivano un limite inferiore sull'entropia relativa. Ciò risulta in un problema di minimizzazione su variabili ausiliarie $\mu_k$ soggetto a disuguaglianze matriciali lineari.
2. Limiti Superiori e Inferiori: Il metodo fornisce sia limiti inferiori ($c_l(t)$) che limiti superiori ($c_u(t)$) sul valore ottimale.
   • Limite Inferiore: Derivato tramite interpolazione convessa (rette secanti) del integrando, formulato come SDP.
   • Limite Superiore: Derivato tramite interpolazione convessa dall'alto, anch'esso formulato come SDP.
3. Stima del Gap: La differenza $\Delta(t) = c_u(t) - c_l(t)$ funge da stima rigorosa del gap all'ottimo in ogni fase dell'iterazione.
4. Raffinamento della Griglia: Gli autori stabiliscono una strategia di costruzione ricorsiva della griglia (Corollario 1) che garantisce una convergenza sublineare. I punti della griglia sono scelti in modo tale che l'errore diminuisca come $O(\sqrt{\lambda/\epsilon})$, dove $\epsilon$ è l'accuratezza target.

Contributi Chiave

• Limiti Dimostrabili: Il lavoro fornisce una sequenza di SDP che producono limiti superiori e inferiori rigorosi e dimostrabili per il problema di minimizzazione dell'entropia relativa.
• Garanzie di Convergenza: Il documento dimostra la convergenza sublineare dello schema di discretizzazione. Nello specifico, dimostra che il numero di punti della griglia richiesti per raggiungere un errore $\epsilon$ scala come $O(\sqrt{\lambda/\epsilon})$.
• Quantificazione del Gap: A differenza di molti euristica numeriche esistenti, questo metodo permette il calcolo esplicito del gap all'ottimo ad ogni passo, consentendo criteri di terminazione basati sulla precisione desiderata.
• Generalizzazione alle $f$-Divergenze: La metodologia è generalizzata ad arbitrarie $f$-divergenze, non solo all'entropia relativa di Umegami, sfruttando le proprietà di convessità della funzione $g(s) = \text{tr}_+[\sigma s - \rho]$.
• Efficienza delle Risorse: L'approccio mantiene l'efficienza in termini di dimensioni delle matrici SDP, evitando la scalabilità $d^2 \times d^2$ richiesta dai metodi che calcolano direttamente i logaritmi matriciali.

Risultati
Gli autori validano il loro metodo attraverso benchmark numerici:

• Tassi di Chiave QKD: Applicato a scenari di QKD basati sull'entanglement, il metodo calcola con successo la casualità estraibile (tassi di chiave) per dimensioni locali fino a 8 (3 qubit per parte). I risultati sono ottenuti in pochi secondi su un normale computer personale.
• Comportamento della Convergenza: Gli esperimenti numerici confermano il previsto tasso di convergenza sublineare. L'errore diminuisce all'aumentare dei punti della griglia, in modo coerente con i limiti teorici derivati nel Corollario 1.
• Prestazioni Comparative: Confrontato con i metodi allo stato dell'arte (specificamente [12] e [14]):
  • Il metodo raggiunge una precisione comparabile a [12] per istanze piccole, ma è strettamente superato in precisione dal solver specializzato [14] per la programmazione dell'entropia relativa.
  • In termini di tempo di esecuzione, il metodo proposto mostra un chiaro miglioramento rispetto a [12] ma rimane più lento di [14].
  • Un vantaggio distinto è la capacità di fornire sia limiti superiori che inferiori e quantificare il gap, mentre [12] fornisce solo limiti superiori e [14] è limitato a coni specifici e manca della flessibilità della rappresentazione integrale per determinati scenari device-independent.

Significato e Rivendicazioni
Il documento rivendica che la sua importanza primaria risiede nel fornire uno strumento pratico e efficiente nelle risorse che colma il divario tra strumenti numerici eseguibili e limiti teorici. Convertendo la difficile ottimizzazione non lineare in una sequenza di SDP con convergenza dimostrabile, il metodo consente prove di sicurezza affidabili per la QKD e altre attività di informazione quantistica dove i limiti inferiori rigorosi sulla casualità estraibile sono essenziali.

Gli autori sottolineano che, sebbene il loro metodo possa non essere il più veloce in termini di tempo di esecuzione puro rispetto ai solver specializzati come [14], la sua capacità di gestire vincoli affini generali (disuguaglianze) e fornire stime rigorose del gap lo rende unicamente adatto ad applicazioni che richiedono limiti certificati, come la QKD device-independent e la stima delle capacità di canale. Il lavoro apre inoltre la strada ad algoritmi numericamente applicabili per stimare i limiti dell'entropia relativa dei canali, un problema aperto nelle teorie delle risorse.