Measuring Bell non-locality in the presence of signaling

1. Il Problema

La ricerca scientifica tradizionale sulla non-località di Bell si basa sull'assunzione di non-segnalazione (non-signaling), ovvero che le statistiche locali di un osservatore siano indipendenti dalle scelte di misura dell'altro. Questo presupposto è fondamentale nella fisica quantistica standard per sistemi spazialmente separati. Tuttavia, in scenari reali (esperimenti con rumore, imperfezioni, o contesti temporali) e in applicazioni extra-fisiche (economia, scienze cognitive, epidemiologia), la segnalazione è spesso intrinseca o inevitabile.

Il problema affrontato dagli autori è la mancanza di un quadro unificato per quantificare la non-località quando l'assunzione di non-segnalazione non è valida. Le misure standard (come le disuguaglianze di Bell-CHSH) falliscono o diventano ambigue in presenza di segnalazione, poiché una violazione della località potrebbe essere confusa con un effetto di segnalazione. La domanda centrale è: quanto della correlazione osservata può essere spiegata da un modello locale, anche quando è presente segnalazione?

2. Metodologia

Gli autori propongono un approccio basato sulla decomposizione convessa e sulla programmazione lineare per quantificare due misure frazionarie:

1. Misura di località ($\mu_L$): La massima frazione di prove sperimentali che può essere spiegata da un modello locale, decomponendo il comportamento osservato $\vec{P}$ come:
   $$\vec{P} = p \cdot \vec{P}^L + (1-p) \cdot \vec{P}^{NL}$$
   dove $\vec{P}^L$ è un comportamento locale e $\vec{P}^{NL}$ è qualsiasi altro comportamento (potenzialmente non-locale).
2. Misura di non-segnalazione ($\mu_{NS}$): La massima frazione di prove spiegabile da statistiche non-segnalanti, decomponendo $\vec{P}$ come:
   $$\vec{P} = p \cdot \vec{P}^{NS} + (1-p) \cdot \vec{P}^{S}$$
   dove $\vec{P}^{NS}$ è non-segnalante e $\vec{P}^{S}$ è un comportamento che può segnalare.

Strumenti Matematici:

• Spazio delle correlazioni: Il problema è formulato nello spazio vettoriale $\mathbb{R}^{16}$ dei comportamenti possibili (2 impostazioni, 2 esiti per ciascuna delle 2 parti).
• Poliedri: Si considerano il poliedro locale ($P_{Loc}$), il poliedro non-segnalante ($P_{NS}$) e lo spazio completo delle correlazioni ($P$).
• Dualità forte: Il problema di massimizzare $p$ è formulato come un problema di programmazione lineare (LP). Utilizzando il teorema della dualità forte, il problema viene trasformato nella ricerca del minimo di un insieme di prodotti scalari tra il vettore osservato $\vec{P}$ e un insieme specifico di vettori di direzione.

3. Contributi Chiave e Risultati Principali

Il risultato principale è la derivazione di soluzioni in forma chiusa per $\mu_L$ e $\mu_{NS}$ valide per correlazioni arbitrarie (inclusa la segnalazione).

A. Soluzione per la Misura di Località ($\mu_L$)

Il Teorema 2 stabilisce che la misura di località è data dal minimo di 128 prodotti scalari:
$$\mu_L(\vec{P}) = \min_{\vec{q} \in Q} \vec{q}^T \cdot \vec{P}$$
L'insieme $Q$ contiene 128 vettori specifici in $\mathbb{R}^{16}$ con entrate 0 o 1. Questi vettori sono classificati in cinque categorie:

• Vettori f (8): Corrispondono alla massima segnalazione (già noti dalla letteratura).
• Vettori g (16), t (32), s (64): Nuove classi di vettori che catturano le interazioni complesse tra segnalazione e non-località.
• Vettori e (8): Corrispondono alle espressioni di Bell-CHSH (note per il caso non-segnalante).

B. Soluzione per la Misura di Non-Segnalazione ($\mu_{NS}$)

Il Teorema 3 stabilisce che la misura di non-segnalazione è data dal minimo di 120 prodotti scalari:
$$\mu_{NS}(\vec{P}) = \min_{\vec{q} \in S} \vec{q}^T \cdot \vec{P}$$
L'insieme $S$ contiene 120 vettori, che includono le classi f, g, t, e una nuova classe z (64). I vettori $z$ differiscono dai vettori $s$ (della misura di località) per il fatto che hanno un'entrata pari a 2 invece di 1, riflettendo la geometria più complessa dell'embedding di $P_{NS}$ in $P$.

C. Struttura Geometrica e Simmetrie

• Complessità Geometrica: Gli autori dimostrano che la difficoltà nel calcolare queste frazioni risiede nella complessa struttura geometrica di come i poliedri locali e non-segnalanti sono immersi nello spazio completo delle correlazioni. Non è sufficiente considerare solo le disuguaglianze di Bell o le firme di segnalazione; sono necessari tutti i 128/120 vettori per coprire tutte le direzioni possibili nello spazio.
• Non-Ridondanza: È stato dimostrato che nessuno dei vettori negli insiemi $Q$ e $S$ è ridondante; per ogni vettore esiste un comportamento per cui quel vettore specifico determina il minimo.
• Analisi Numerica: Simulando 500.000 comportamenti casuali, gli autori mostrano che, sebbene i vettori $f$ (segnalazione) dominino nella maggior parte dei casi, le altre classi (g, t, s, z, e) contribuiscono in modo significativo, specialmente quando la segnalazione è presente ma non estrema.

4. Significato e Implicazioni

1. Superamento del vincolo di Non-Segnalazione: Il lavoro fornisce il primo quadro quantitativo rigoroso per analizzare la non-località senza assumere a priori l'assenza di segnalazione. Questo è cruciale per esperimenti reali dove il rumore o le imperfezioni possono creare segnali spuri.
2. Distinzione Concettuale: L'approccio permette di distinguere tra "non-località genuina" e "non-località apparente" causata dalla segnalazione. La misura $\mu_L$ quantifica quanto della correlazione richiede un meccanismo non-locale al di là di quanto possa essere spiegato dalla segnalazione.
3. Applicazioni Interdisciplinari: Poiché la segnalazione è comune in campi come le scienze cognitive, l'econometria e le reti bayesiane, questo metodo offre strumenti per l'analisi causale in contesti dove la separazione spaziale non è garantita.
4. Strumento Computazionale: La soluzione in forma chiusa (minimo di prodotti scalari) rende il calcolo efficiente e implementabile direttamente, offrendo una procedura pronta all'uso per l'analisi dei dati sperimentali.

In sintesi, il paper ridefinisce la base per l'analisi degli esperimenti di Bell, trasformando la non-località da una proprietà binaria (sì/no) in una risorsa quantitativa frazionaria, gestibile anche in scenari fisici e non fisici complessi e realistici.