Genuine Multipartite Nonlocality for Arbitrary Input: Maximal Randomness Generation and Robust Self-Testing

Sintesi Tecnica: Non-località Multipartite Autentica per Input Arbitrari: Generazione di Massima Casualità e Self-Testing Robusto

Problema
La non-località di Bell funge da fondamento per la certificazione device-independent (DI) di dispositivi quantistici. Mentre la non-località bipartita è ben compresa, gli scenari multipartiti esibiscono una gerarchia di correlazioni più ricca, specificamente la Non-località Multipartite Autentica (GMNL), che non può essere ridotta a modelli ibridi combinando risorse locali e bipartite. Gli esistenti framework per testimoniare la GMNL, come le disuguaglianze di tipo Svetlichny, affrontano spesso limitazioni:

1. Vincoli di Input: Molte disuguaglianze standard, come la famiglia Mermin–Ardehali–Belinskii–Klyshko (MABK), sono limitate a due setting di misura per parte.
2. Barriere Analitiche: L'uso del Lemma di Jordan, che semplifica l'analisi decomponendo gli operatori in blocchi $2\times2$, è valido solo per scenari con due input. Ciò preclude il trattamento analitico di scenari con un numero arbitrario di setting di misura ($n \ge 3$).
3. Casualità e Robustezza: Metodi precedenti per certificare la massima casualità DI (fino a $m$ bit per $m$ parti) spesso falliscono nel testimoniare la GMNL, o mancano di un'analisi di robustezza rispetto al rumore sperimentale in scenari con più setting.

Metodologia
Gli autori introducono una famiglia di funzionali di Bell, $\Gamma_m^n$, progettati per uno scenario $m$-partito con un numero arbitrario di input di misura dispari $n$ per ogni parte. Le innovazioni metodologiche centrali includono:

• Decomposizione Analitica Sum-of-Squares (SOS): Per superare le limitazioni del Lemma di Jordan, gli autori costruiscono una decomposizione SOS analitica. Definiscono un operatore positivo semi-definito $\gamma_m^n$ tale che il funzionale di Bell sia limitato dal valore quantistico ottimale senza assumere alcuna dimensione specifica dello spazio di Hilbert. Ciò consente una derivazione device-independent completa della violazione quantistica ottimale.
• Self-Testing tramite Circuiti di Swap: Gli autori impiegano uno schema di certificazione basato su swap. Costruendo isometrie locali (circuiti di swap), mappano lo stato fisico e gli osservabili sconosciuti su un sistema di riferimento (specificamente lo stato Greenberger–Horne–Zeilinger o GHZ). Ciò conferma che il raggiungimento della violazione quantistica ottimale certifica univocamente lo stato sottostante e gli osservabili di misura fino a isometrie locali.
• Analisi della Robustezza: Nel caso tripartito ($m=3$), gli autori modellano le imperfezioni sperimentali come deviazioni negli osservabili implementati. Derivano limiti espliciti che mettono in relazione la violazione osservata con la fedeltà dello stato e degli osservabili estratti, nonché la casualità certificata, in condizioni di rumore.

Risultati Chiave

1. Violazione Quantistica Ottimale e GMNL:
   Gli autori derivano il valore quantistico ottimale per la proposta disuguaglianza come $(\Gamma_m^n)_{Q}^{opt} = 2n^{m-1} \cos(\frac{\pi}{2n})$. Dimostrano analiticamente una gerarchia stretta:
   $$(\Gamma_m^n)_{Q}^{opt} > (\Gamma_m^n)_{BL} > (\Gamma_m^n)_{L}$$
   dove $(\Gamma_m^n)_{BL} = 2n^{m-2}(n-1)$ è il limite bi-locale e $(\Gamma_m^n)_{L} \le 2(n-1)^{m-1}$ è il limite totalmente locale. Questa separazione conferma la testimonianza della GMNL per un $n$ dispari arbitrario e un $m$ arbitrario.

2. Generazione di Massima Casualità DI:
   Il framework consente l'estrazione della massima casualità DI globale, specificamente $m$ bit, al valore di violazione quantistica ottimale. Gli autori dimostrano che per specifici setting di misura, la distribuzione di probabilità congiunta diventa uniforme ($1/2^m$), ottenendo $R_{max} = m$. Questo supera le limitazioni precedenti dove la certificazione della massima casualità spesso entrava in conflitto con la dimostrazione della GMNL.

3. Self-Testing di Stati GHZ e Osservabili:
   Il documento fornisce dichiarazioni esplicite di self-testing. Al raggiungimento della violazione ottimale:

• Lo stato condiviso è certificato come uno stato entangled puro (specificamente lo stato GHZ $|GHZ\rangle = \frac{1}{\sqrt{2}}(|0\rangle^{\otimes m} + |1\rangle^{\otimes m})$).
• Gli osservabili di misura soddisfano specifiche relazioni di anticommutazione e valori di aspettazione, ad esempio $\langle \{A_k^{i_k}, A_k^{i_k+x}\} \rangle = 2(-1)^x \cos(\frac{\pi x}{n})$.
• Tali proprietà sono certificate senza assunzioni sulla dimensione del sistema.

4. Robustezza al Rumore:
   Nello scenario tripartito, gli autori mostrano che la tolleranza alle imperfezioni sperimentali aumenta con il numero di setting di misura $n$. Man mano che $n$ cresce, il divario tra i limiti quantistico e bi-locale si amplia, permettendo l'estrazione riuscita di stato e osservabili anche con violazioni relative inferiori all'ideale. Ad esempio, con $n=11$, lo stato può essere estratto con alta fedeltà anche quando la violazione osservata è significativamente al di sotto del massimo ideale.

Significato e Rivendicazioni
Il documento sostiene di aver colmato un vuoto nella certificazione delle risorse quantistiche multipartite raggiungendo simultaneamente tre obiettivi che erano precedentemente difficili da conciliare:

1. Generalizzazione: Estende la testimonianza della GMNL a scenari con un numero arbitrario di setting di misura ( $n$ dispari), andando oltre il paradigma restrittivo dei due setting.
2. Massima Casualità: Dimostra che la massima casualità DI da $m$ bit può essere certificata specificamente all'interno di un regime genuinamente non-locale, affrontando il problema per cui i precedenti protocolli di massima casualità non garantivano la GMNL.
3. Robustezza: Stabilisce che l'aumento del numero di setting di misura migliora la robustezza dei protocolli di self-testing contro il rumore, rendendo la certificazione dell'entanglement multipartito più fattibile per le implementazioni sperimentali.

Gli autori osservano che, sebbene l'analisi di robustezza sia stata elaborata esplicitamente per il caso tripartito, il framework centrale è progettato per estendersi a scenari generali con $m$ parti. Riconoscono che la loro disuguaglianza è attualmente limitata a un numero dispari di setting e identificano la generalizzazione ai numeri pari come una direzione per il lavoro futuro.