⚛️ quantum physics

Bounding Classical and Quantum Correlations in Bayesian Networks with Quasiprobabilities

이 논문은 베이지안 네트워크를 위한 준확률적 모델을 조사하여, 이 모델들이 광범위한 네트워크 클래스에 대해 모든 비신호 상관관계를 생성할 수 있음을 입증하고, 이 "준 집합"이 텐서 네트워크 분해와의 연결성을 활용하여 중첩 마르코프 모델을 회복한다는 가설을 제시한다.

원저자: Paul Becsi, Matty J. Hoban

게시일 2026-06-23

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Paul Becsi, Matty J. Hoban

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

큰 그림: 숨겨진 연결의 미스터리

당신이 일련의 사람들이 어떻게 연결되어 있는지 알아내려는 탐정이라고 상상해 보세요. 당신은 그들이 말하고 행동하는 것(관측된 노드)은 볼 수 있지만, 그들이 서로 주고받는 비밀 메모나 그들이 따르는 비밀 규칙(잠재적/관측되지 않은 노드)은 볼 수 없습니다.

과학의 세계에서 우리는 이러한 인과 관계를 지도화하기 위해 "베이지안 네트워크"(단순히 화려한 순서도라고 할 수 있습니다)를 사용합니다. 보통 우리는 모든 것이 표준 확률의 규칙을 따른다고 가정합니다. 즉, 어떤 일이 일어날 확률은 0%에서 100% 사이여야 합니다. "마이너스 50%의 확률" 같은 것은 존재할 수 없습니다.

하지만 양자 물리학(원자와 빛을 지배하는 규칙)은 때때로 이 규칙을 깨뜨립니다. 양자 물리학은 고전적인 논리로는 설명할 수 없는 "기묘한" 연결을 허용합니다. 과학자들은 우리가 사는 일상적인 세상(고전적 세계)에서 가능한 것과 양자 세계에서 가능한 것 사이의 경계선을 긋기 위해 노력해 왔습니다.

문제점: 양자 퍼즐은 너무 어렵다

저자들은 양자 네트워크가 무엇을 할 수 있는지 정확히 파악하는 것이 믿기 어려울 정도로 어렵다는 점을 지적합니다. 이는 마치 벽이 계속 움직이는 미로를 풀려고 하는 것과 같습니다. 가능한 모든 양자 행동의 집합은 무질서하고 복잡하며 수학적으로 "결정 불가능"(특정한 행동이 가능한지 확인할 수 있는 간단한 공식이 없음을 의미함)합니다.

양자 퍼즐이 이토록 어렵기 때문에, 과학자들은 종-종 "외곽 근사(outer approximations)"를 찾습니다. 이것은 복잡하고 울퉁불퉁한 섬 주위에 크고 단순한 원을 그리는 것과 같습니다. 원이 섬 그 자체는 아니지만, 섬이 반드시 그 원 안에 있다는 것을 알려줍니다. 만약 어떤 것이 그 원 밖에 있다는 것을 증명할 수 있다면, 그것은 섬 위에 있을 수 없다는 것을 알게 됩니다.

해결책: "준확률(Quasiprobabilities)"의 도입 (마법의 잉크)

저자들은 그 "원"을 그리는 새로운 방법을 제안합니다. 그들은 **준확률(Quasiprobabilities)**이라는 개념을 도입합니다.

모든 숫자가 양수(0에서 1 사이)여야 하는 표준 확률 지도가 있다고 상상해 보세요. 이제, 지도 위에 음수를 쓸 수 있게 해주는 마법의 잉크가 있다고 상상해 보세요.

일반 확률: "비가 올 확률이 50%입니다."
준확률: "비가 올 확률이 -20%입니다."

현실 세계에서 마이너스 비는 말이 되지 않습니다. 하지만 이 수학적 모델에서는, 이러한 "음의 확률"(그래도 총합은 100%가 됨)을 허용함으로써 훨씬 더 크고 유연한 가능성의 집합을 만들어냅니다. 저자들은 이를 **"준집합(Quasi Set)"**이라고 부릅니다.

주요 발견: 마법의 잉크를 사용하는 두 가지 방법

논문은 이 마법의 잉크에 관한 놀라운 사실을 증명합니다. 이 잉크를 두 가지 방식으로 사용할 수 있으며, 그 결과는 정확히 동일한 결과 집합을 가집니다.

마법의 숨겨진 변수: 비밀 메모(숨겨진 변수)가 마법의 잉크로 작성되도록 허용하는 것입니다(음의 확률).
마법의 규칙: 그 메모를 행동으로 바꾸는 규칙(반응 함수)이 마법의 잉크로 작성되도록 허용하는 것입니다.

저자들은 이 중 어느 쪽을 "마법"으로 선택하든 상관없다는 것을 보여줍니다. 숨겨진 메모나 규칙 중 어느 쪽이든 음수를 사용하도록 허용하면, 정확히 동일한 범위의 결과물을 얻게 됩니다. 이것은 동전의 앞면이나 뒷면을 보는 것과 같은 "이중성(duality)"입니다. 즉, 같은 동전입니다.

거대한 추측: 완벽한 지도

저자들은 대담한 추측(Conjecture)을 내놓았습니다.
그들은 만약 이 마법의 잉크(준확률)를 허용한다면, 여러분의 "준집합"이 **중첩 마르코프 모델(Nested Markov Model)**이라고 불리는 것과 정확히 일치하게 될 것이라고 믿습니다.

중첩 마르코프 모델은 네트워크가 따라야 하는 모든 논리적 규칙을 설명하는 매우 엄격하고 질서 정연한 수학적 구조입니다. 이는 보통 문제를 어렵게 만드는 지저-한 부등식 제약 조건들을 무시합니다.
주장: 음의 확률을 허용함으로써, 여러분은 모든 지저분한 "부등식" 규칙들을 제거하게 됩니다. 남는 것은 중첩 마르코프 모델과 완벽하게 일치하는 깨끗하고 질서 정연한 구조입니다.

만약 이것이 사실이라면, "준집합"은 양자 상관관계에 대한 완벽하고 단순한 외곽 경계가 됩니다. 이는 고전적 상관관계와 양자 상관관계가 (유명한 벨 부등식과 같은) 부등식 제약을 갖는 유일한 이유가 단지 우리가 양수의 숫자만을 사용하도록 강요받기 때문임을 시사합니다. 만약 음수를 허용한다면, 그 제약들은 사라집니다.

증명: 트리(Tree)와 엉킨 끈들

저자들은 모든 가능한 네트워크에 대해 이를 증명할 수는 없었지만, **트리 구조 상관 시나리오(Tree-Structured Correlation Scenario)**라고 불리는 매우 흔한 유형의 네트워크에 대해서는 증명해 냈습니다.

비유: 부모는 숨겨져 있고 자녀는 눈에 보이는 사람들인 가족 계보를 상상해 보세요. 만약 가족 계보에 루프(누군가가 자신의 조상이 되는 경우)가 없다면, 그것은 "트리"입니다.
도구: 이 트리 네트워크에 대해 자신들의 논리를 증명하기 위해, 저자들은 컴퓨터 과학과 물리학에서 사용하는 도구인 **텐서 네트워크(Tensor Networks)**를 사용했습니다.
- 텐서 네트워크를 끈의 매듭을 푸는 방법이라고 생각하세요.
- 그들은 이러한 트리 네트워크에서의 모든 행동 패턴이 마법의 잉크(준확률)를 사용하여 "풀리고" 표현될 수 있음을 보여주었습니다.
- 이를 통해 트리 형태의 네트워크에서는 "준집합"과 "중첩 마르코프 모델"이 실제로 동일하다는 것을 증명했습니다.

요약

목표: 네트워크에서 양자 상관관계의 한계를 설명하는 간단한 방법을 찾는 것입니다.
기술: 확률이 음수가 될 수 있도록 허용하는 것입니다(준확률).
결과: 이 기술은 "준집합"을 깨끗하고 질서 정연한 구조인 중첩 마르코프 모델과 수학적으로 동일하게 만듭니다(적어도 트리 모양의 네트워크에서는).
함의: 고전 세계와 양자 세계를 가르는 복잡한 "부등식"들은 단순히 우리가 양수의 숫자만을 사용해야 한다는 제약 때문에 발생하는 부산물일 뿐입니다. 음수를 허용한다면, 그 경계는 훨씬 더 단순하고 예측 가능해집니다.

이 논문은 본질적으로 다음과 같이 말하고 있습니다. "만 如果 수학이 음수를 사용하도록 허용한다면, 양자 네트워크라는 복잡한 퍼즐은 깔끔하고 해결 가능한 패턴이 된다."

기술 요약: 준확률(Quasiprobabilities)을 이용한 베이즈 네트워크에서의 고전 및 양자 상관관계 경계 설정

문제 정의
잠재 변수(unobserved variables)가 포함된 베이즈 네트워크(유향 비순환 그래프 또는 DAG)에서의 상관관계 연구는 인과 추론 및 양자 기초 이론의 핵심이다. 주요 과제는 주어진 인과 구조 $G$ 에 대해 일관된 관측 확률 분포의 집합인 "고전적 집합" $\mathcal{C}(G)$ 를 규정하는 것이다. 고전적 집합은 반대수적(semialgebraic) 집합(다항식 등식 및 부등식으로 정의됨)이지만, 복잡한 부등식 제약 조건으로 인해 특성화하기가 매우 어렵다.

이와 병행하여, 양자 자원을 통해 달성 가능한 상관관계를 나타내는 "양자 집합" $\mathcal{Q}(G)$ 는 더욱 복잡하다. 이는 유한한 다면체가 아니며, 닫혀 있지 않고, 일반적으로 결정 불가능(undecidable)하다. 연구자들은 이러한 집합들을 경계 짓기 위해 "외곽 근사(outer approximations)"를 구하고자 한다. 이분 벨 시나리오(Bipartite Bell Scenario, 특정 DAG)에서 알려진 결과에 따르면, 잠재 변수가 준확률 분포(합이 1이지만 음수를 가질 수 있는 분포)를 따르도록 허용하면 모든 비신호(non-signaling) 상관관계를 회복할 수 있다. 본 논문은 이 결과가 임의의 베이즈 네트워크로 일반화될 수 있는지 조사하고, "준집합(quasi set)"과 중첩 마르코프 모델(nested Markov model) $\mathcal{N}(G)$ 사이의 관계를 탐구한다.

방법론
저자들은 인과 모델링, 준확률 분석, 그리고 텐서 네트워크 이론의 조합을 활용한다.

준확률 모델: 본 논문은 관측된 분포가 그래프 상에서 분해되는 전체 분포의 주변 분포(marginal)이지만, 양의 값 조건(positivity constraints)을 완화한 세 가지 동등한 "준주변 집합(quasimarginal set)" $\mathcal{W}(G)$ 의 정식화를 정의한다.
- 준잠재 변수 ( $\mathcal{W}_l$ ): 잠재 변수는 준분포를 따르지만, 응답 함수(관측된 노드의 조건부 확률)는 비음수(non-negative)를 유지한다.
- 준응답 ( $\mathcal{W}_r$ ): 응답 함수는 준분포를 따르지만, 잠재 변수는 비음수를 유지한다.
- 준노이즈 ( $\mathcal{W}_n$ ): 관측된 노드는 고전적 잠재 변수와 독립적인 "노이즈" 변수에 의존하는 결정론적 응답 함수로 모델링되며, 이때 노이즈 변수는 준분포를 따른다.
그래프 축소: 저자들은 고전적 인과 관계의 결과들(예: 잠재 변수의 외생화, 중복 변수의 제거)을 활용하여, 이러한 축소 단계들이 준확률 모델에서도 유효함을 보여줌으로써, 손실 없이 "축소된" 그래프를 가정할 수 있음을 입증한다.
텐서 네트워크 분해: 특정 그래프 구조에 대한 주요 추측을 증명하기 위해, 저자들은 이 문제를 텐서 네트워크로 매핑한다. 그들은 관측된 확률 분포를 고차 텐서로 취급하며, 인과 구조와 밑에 깔린 무방향 그래프(에지가 공유된 잠재 부모를 나타냄) 사이의 대응 관계를 활용한다. 또한 트리 구조에 대한 최소 텐서 분해의 존재성에 관한 정리들을 활용한다.

주요 기여 및 결과

준확률 정의의 동등성: 본 논문은 임의의 DAG $G$ 에 대해 $\mathcal{W}_l(G)$ , $\mathcal{W}_r(G)$ , $\mathcal{W}_n(G)$ 가 동일함을 입증하는 정리 4를 제시한다. 이는 듀얼리티(duality)를 보여준다: 즉, 잠재 변수에 부정성을 허용하는 것은 관측된 비음수 분포에 관하여 응답 함수(또는 노이즈)에 부정성을 허용하는 것과 수학적으로 동일하다.
중첩 마르코프 모델로의 포함: 저자들은 $\mathcal{W}(G) \subseteq \mathcal{N}(G)$ 임을 보여주는 명제 6을 증명한다. 중첩 마르코프 모델은 양의 값 조건 없이 순수하게 분해 제약(다항식 등식)에 의해 정의되므로, 준확률로 분해되는(합은 1이지만 양의 값 조건은 만족하지 않는) 임의의 분포는 반드시 중첩 마르코프 제약을 만족해야 한다.
동등성에 대한 추측: 저자들은 임의의 DAG $G$ 에 대해 $\mathcal{W}(G) = \mathcal{N}(G)$ 라는 추측 1을 제안한다. 이는 준집합이 모든 다항식 등식 제약(중첩 마르코프 모델)을 만족하는 분포들의 집합과 정확히 일치함을 의미하며, 고전 및 양자 집합에서의 부등식 제약이 오직 확률의 비음수 요구 조건으로부터 발생한다는 것을 시사한다.
트리 구조 상관 시나리오(TCS)에 대한 증명: 저자들은 밑에 깔린 무방향 그래프(관측된 노드들이 공유된 잠재 부모를 가질 때 연결됨)가 트리인 상관 시나리오의 하위 클래스에 대해 추측 1을 엄밀하게 증명한다.
- 그들은 일반 마르코프 모델(TCS의 경우 중첩 마르코프 모델과 동일함)에 속하는 모든 분포가 텐서 네트워크로 분해될 수 있음을 보여준다.
- 이 분해의 최소 본드 차원(minimal bond dimensions)을 분석함으로써, 해당 분포를 재현하는 준확률 잠재 변수 모델을 구축하여, TCS에 대해 $\mathcal{M}(G) \subseteq \mathcal{W}(G)$ 임을 증명한다. $\mathcal{W}(G) \subseteq \mathcal{N}(G)$ 라는 일반적인 포함 관계와 결합하여, 이는 TCS에 대해 $\mathcal{W}(G) = \mathcal{N}(G)$ 임을 확립한다.

의의 및 주장
본 논문은 준확률이 벨 시나리오에서 비신호 상관관계를 회복한다는 기존의 결과를 더 넓은 범위의 네트워크로 일반화한다고 주장한다.

부등식 제약의 특성화: 만약 추측 1이 성립한다면, 이는 고전 및 양자 인과 모델에서의 부등식에 대한 구조적 해석을 제공한다. 저자들은 이러한 부등식이 인과 구조나 분해 기준 자체에 내재된 것이 아니라, 확률의 비음수 제약에서 비롯된 인공물이라고 주장한다. 양의 값 조건을 완화한 준집합에서는 이러한 부등식들이 사라지며, 중첩 마르코프 모델의 대수적(등식) 제약만이 남는다.
일반화된 확률 이론(GPT)의 표현력: 이 결과는 잠재 변수(또는 응답 함수)가 임의의 실수 값을 가질 수 있는 이론(비자유 GPT)이 중첩 마르코프 모델의 모든 분포를 생성할 만큼 충분히 표현력이 높다는 것을 시사한다. 이는 표준 GPT(양자 이론과 같은)가 모든 중첩 마르코프 상관관계(예: 삼각형 시나리오)를 생성하기에는 불충분하다는 사실과 대조된다.
텐서 네트워크와의 연결: 이 연구는 인과 추론과 텐서 네트워크 분해 사이의 새로운 연결 고리를 강조하며, 텐서의 계수(밑에 깔린 무방한 그래프의 맥락에서)가 준확률 모델에 필요한 최소 잠재 변수의 크기에 대응함을 시사한다.

저자들은 일반적인 경우에 대해 겸손한 태도를 유지하며, 트리 구조 상관 시나리오에 대해서는 추측을 증명했고 삼각형 시나리오에 대한 증명도 부록에 제공했으나, 임의의 DAG에 대한 완전한 증명은 향로 과제로 남아 있다고 언급했다. 그들은 "팽창 기법(Inflation Technique)"이 일반적인 증명을 위한 실행 가능한 경로가 될 수 있다고 제안하지만, 준확리로에 대한 팽창의 완결성은 현재 지지하는 드 무아브르-드 피네티 정리(de Finetti theorem)가 부족한 상태이다.