Optimising the relative entropy under semidefinite constraints

技術要約：半定値制約下における相対エントロピーの最適化

問題設定
取り組んでいる中心的な問題は、半定値制約の下で量子相対エントロピー $D(\rho\|\sigma) = \text{tr}[\rho(\log \rho - \log \sigma)]$ を最小化することである。この最適化は、様々な量子情報タスク、特に実デバイスの測定統計から量子鍵配送（QKD）の秘密鍵レートを推定する際に極めて重要となる。数学的定式化は、以下を求めるものである：
$$\inf D(\rho\|\sigma) \quad \text{s.t.} \quad h_i(\rho, \sigma) \ge 0, \quad \mu\sigma \le \rho \le \lambda\sigma, \quad \rho, \sigma \in \mathcal{S}(\mathcal{H})$$
ここで、$h_i$ は測定制約を表すアフィン写像である。この問題は凸（convex）ではあるものの、行列対数（matrix logarithm）のために高度に非線形であり、標準的な凸最適化ソルバーでは一般的なインスタンスに対して効果的に機能しない。既存の手法は、数値的な安定性に難があったり、証明可能な収束保証を欠いていたり、あるいは特定の制約タイプ（例：等式制約のみ）に限定されていたりすることが多い。

手法
著者らは、最近導入された量子相対エントロピーの積分表示（Frenkel, 2023; Jenčová, 2015）に基づいた手法を提案している。$\mu\sigma \le \rho \le \lambda\sigma$ を満たす状態に対して、相対エントロピーは次のように表される：
$$D(\rho\|\sigma) = \int_{\mu}^{\lambda} \frac{ds}{s} \text{tr}_+[\sigma s - \rho] + \log \lambda + 1 - \lambda$$
ここで、$\text{tr}_+[A]$ は $A$ の正の部分のトレースを表す。核心となる技術的革新は、この積分を離散化することで、非線形問題を一連の半定値計画問題（SDP）へと変換することである。

1. 離散化とSDP定式化： 積分はグリッド $t = (t_1, \dots, t_r)$ 上で近似される。$\text{tr}_+[A]$ がSDPとして定式化可能であるという性質（具体的には $\text{tr}_+[A] = \sup_{0 \le P \le 1} \text{tr}[PA]$）を利用することで、著者らは相対エントロピーの下界を導出している。これにより、補助変数 $\mu_k$ に関する線形行列不等式に制約された最小化問題が得られる。
2. 上界と下界： 本手法は、最適値に対する厳密な上界および下界の両方を提供する。
   • 下界： 被積分関数の凸補間（割線）を通じて導出され、SDPとして定式化される。
   • 上界： 上からの凸補間を通じて導出され、これもSDPとして定式化される。
3. ギャップ推定： 差 $\Delta(t) = c_u(t) - c_l(t)$ は、任意の反復段階における最適値への厳密なギャップ推定として機能する。
4. グリッド細分化： 著者らは、劣線形収束を保証する再帰的なグリッド構築戦略（系1）を確立している。グリッド点は、誤差が目標精度 $\epsilon$ に対して $O(\sqrt{\lambda/\epsilon})$ となるように選択される。

主な貢献

• 証明可能な境界： 本研究は、相対エントロピー最小化問題に対して、厳密かつ証明可能な上界および下界を与える一連のSDPを提供する。
• 収束保証： 離散化スキームの劣線形収束を証明している。具体的には、誤差 $\epsilon$ を達成するために必要なグリッド点の数が $O(\sqrt{\lambda/\epsilon})$ でスケールすることを実証している。
• ギャップの定量化： 既存の多くの数値的ヒューリスティックとは異なり、本手法は各ステップにおいて最適値へのギャップを明示的に計算できるため、所望の精度に基づく終了条件の設定が可能である。
• f-ダイバージェンスへの一般化： 関数 $g(s) = \text{tr}_+[\sigma s - \rho]$ の凸性を利用することで、ウンメガミ（Umegami）相対エントロピーだけでなく、任意の $f$-ダイバージェンスへと手法を一般化している。
• リソース効率： 本手法は、行列対数を直接計算するために必要な $d^2 \times d^2$ のスケーリングを回避し、SDP行列の次元に関する効率性を維持している。

結果
著者らは数値ベンチマークを通じて手法を検証している：

• QKD鍵レート： エンタングルメントベースのQKDシナリオに適用し、局所次元が最大8（各パーティにつき3量子ビット）までの抽出可能なランダムネス（鍵レート）を算出することに成功した。これらの結果は、標準的なパーソナルコンピュータ上で数秒で得られる。
• 収束挙動： 数値実験により、予測された劣線形収束率が確認された。グリッド点が増加するにつれて誤差が減少しており、これは系1で導出された理論的境界と一致している。
• 比較性能： 最先端の手法（具体的には [12] および [14]）と比較して：
  • 小規模なインスタンスに対しては [12] と同等の精度を達成するが、相対エントロピープログラミングに特化したソルバー [14] には精度において明確に劣る。
  • 実行時間の観点では、提案手法は [12] よりも明確な改善を示しているが、[14] よりは遅い。
  • 顕著な利点は、[12] が上界のみを提供し、[14] が特定の錐に限定されているのに対し、本手法は上界と下界の両方を提供し、ギャップを定量化できる点にある。

意義と主張
本論文の主要な意義は、実行可能な数値ツールと理論的境界の間の溝を埋める、実用的でリソース効率の高いツールを提供することにあると主張している。困難な非線形最適化を、証明可能な収束を持つ一連のSDPに変換することで、本手法は、抽出可能なランダムネスの厳密な下限が不可欠なQKDやその他の量子情報タスクにおける信頼性の高いセキュリティ証明を可能にする。

著者らは、本手法が [14] のような特化したソルバーと比較して、生の実行速度の面では必ずしも最速ではないものの、一般的なアフィン制約（不等式）を扱う能力と、厳密なギャップ推定を提供できる能力により、デバイス非依存QKDやチャネル容量の推定など、証明された境界を必要とするアプリケーションに特によく適していることを強調している。また、本研究は、チャネルの相対エントロピーをバウンドするための数値的に適用可能なアルゴリズム（リソース理論における未解決問題）への道を開くものである。