No-signalling-projection-invariant Bell inequalities

Technische Samenvatting: No-Signalling-Projectie-Invariante Bell-ongelijkheden

Probleemstelling
Bell-experimenten met $n$ partijen, $m$ meetinstellingen en binaire uitkomsten genereren empirische data die onderhevig zijn aan statistische fluctuaties. Als gevolg hiervan vertoont de empirische frequentieverdeling afgeleid van eindige proeven vaak "zwak signaleren" (weak signalling)—een schending van de no-signalling voorwaarden waarbij de marginale uitkomstkansen van een partij afhankelijk zijn van de gekozen meetinstellingen van andere partijen. Dit komt zelfs voor in loophole-vrije experimenten door ruis bij eindige steekproeven of experimentele suboptimaliteiten zoals drift en imperfecte randomisatie.

Het direct gebruiken van deze ruwe, zwak-signalerende empirische verdelingen in device-independente protocollen (bijv. randomiteitsgeneratie, sleuteldistributie of entanglement-certificering) kan leiden tot misleidende interpretaties. Specifiek kan een Bell-ongelijkheid op meerdere algebraïsch equivalente wijzen worden herschreven voor no-signalling verdelingen. Echter, voor een zwak-signalerende verdeling kunnen deze "equivalente" vormen verschillende waarden opleveren: één vorm kan de ongelijkheid voldoen, terwijl een andere vorm deze schendt. Deze ambiguïteit compliceert de beoordeling van non-lokaliteit en de betrouwbaarheid van device-independente toepassingen.

Methodologie
De auteurs stellen een preprocessingsstap voor waarbij de empirische frequentievector $f$ wordt geprojecteerd op de affiene hull $\mathcal{A}$ van de no-signalling polytope $\mathcal{P}_{NS}$ met behulp van de $L_2$-norm (Euclidische afstand). In tegenstelling tot Maximum Likelihood (ML) schatting, die een iteratief convex optimalisatieprobleem vereist zonder een gesloten vormoplossing, biedt de $L_2$-projectie een directe geometrische benadering.

De kern van de methodologie berust op de structuur van de lineaire gelijkheidsbeperkingen die $\mathcal{A}$ definiëren (normalisatie en no-signalling voorwaarden). De auteurs analyseren de kernel van de beperkingsmatrix $A_{eq}$ en identificeren een specifieke set basisvectoren: de Uniformly-Averaged Marginal Correlators (UMC).

1. UMC Definitie: Voor een deelverzameling van partijen $I$ en hun instellingen $x_I$, wordt de UMC gedefinieerd door de standaard marginale correlatoren uniform te middelen over alle mogelijke instellingen van de resterende $n-|I|$ partijen.
2. Kernel Lidmaatschap: De auteurs bewijzen dat de coëfficiëntvectoren die overeenkomen met deze UMC's volledig binnen de kernel van $A_{eq}$ liggen.
3. Invariantie: Omdat de UMC-vectoren in de kernel liggen, behoudt de $L_2$-projectie $\Pi_{\mathcal{A}}$ de waarde van elke lineaire functionaal uitgedrukt in deze basis. Dat wil zeggen, voor elke gedraging $p$ is de waarde van de UMC-functionaal identiek voor $p$ en zijn projectie $\Pi_{\mathcal{A}}(p)$.

Belangrijkste Bijdragen en Resultaten

• Canonieke Vorm voor Bell-ongelijkheden: De auteurs demonstreren dat elke lineaire Bell-ongelijkheid in het $(n, m, 2)$ scenario kan worden herschreven in een "canonieke vorm" met behulp van volledige correlatoren en UMC's. Aangezien deze termen invariant zijn onder de $L_2$-projectie, blijft de waarde van de Bell-expressie ongewijzigd, of deze nu wordt geëvalueerd op de ruwe zwak-signalerende data of op de geprojecteerde no-signalling benadering. Dit elimineert de ambiguïteit bij het kiezen tussen equivalente vormen van de ongelijkheid.
• Gesloten Vorm Projectieformule: Door gebruik te maken van de spaarzaamheid van de beperkingsmatrix en de basiseigenschappen van UMC's, leiden de auteurs een computationeel efficiënte, gesloten vormformule voor de projectie af. De projectie wordt ontleed in een sequentie van drie eenvoudige lineaire transformaties:
  1. Het mappen van empirische frequenties naar ruwe correlatoren.
  2. Het uniform middelen van deze correlatoren over niet-betrokken instellingen om UMC's te verkrijgen.
  3. Het reconstrueren van de waarschijnlijkheidsverdeling vanuit de UMC's.
     Deze aanpak vermijdt de computationeel dure constructie van dichte projectoren of de inversie van grote Gram-matrices die vereist is bij standaard affiene projectiemethoden.
• Eindige Steekproefgrenzen: Het artikel biedt een Hoeffding/McDiarmid-gebaseerde grens op de waarschijnlijkheid dat de geprojecteerde verdeling negatieve waarschijnlijkheden bevat (een fysieke onmogelijkheid). De grens toont aan dat voor voldoende grote steekproefomvang en strikt positieve onderliggende waarschijnlijkheden, de waarschijnlijkheid van negatieve entries verwaarloosbaar is.
• Generalisatie naar Gewogen Normen: Het framework wordt uitgebreid naar gewogen $L_2$-projecties, waarbij verschillende meetinstellingen met ongelijke waarschijnlijkheden worden gesampled (gangbaar in device-independente QKD). De auteurs tonen aan dat hoewel uniforme UMC's niet invariant zijn onder gewogen projectie, een overeenkomstige set van gewogen-gemiddelde correlatoren de invariantie behoudt, wat een vergelijkbare canonicaliseringsprocedure mogelijk maakt.

Betekenis en Claims
Het artikel claimt dat deze projectie-invariante formulering een robuuste, gestandaardiseerde metriek voor non-lokaliteit biedt die ongevoelig is voor de specifieke artefacten van eindige data of milde experimentele drift. Door de schending toe te schrijven aan strikt no-signalling non-lokaliteit, dient de canonieke vorm als een betrouwbare baseline voor het vergelijken van resultaten tussen verschillende experimenten en toepassingen.

De auteurs benadrukken dat deze methode bijzonder voordelig is voor device-independente taken waarbij optimale prestaties afhangen van nauwkeurige punt-schattingen van de trial-verdeling. De voorgestelde workflow—het projecteren van data naar de no-signalling affiene hull en vervolgens de canonieke Bell-expressie evalueren—zorgt ervoor dat de gerapporteerde Bell-waarde de onderliggende non-lokale structuur reflecteert in plaats van residuele signaleringsruis. De methode wordt gepresenteerd als een computationeel eenvoudiger en stabieler alternatief voor iteratieve ML-schatting, met name voor scenario's met een toenemend aantal partijen en instellingen.