No-signalling-projection-invariant Bell inequalities

Resumo Técnico: Desigualdades de Bell Invariantes à Projeção de Não-Sinalização

Definição do Problema
Experimentos de Bell envolvendo $n$ partes, $m$ configurações de medição e resultados binários geram dados empíricos sujeitos a flutuações estatísticas. Consequentemente, a distribuição de frequência empírica derivada de ensaios finitos frequentemente exibe "sinalização fraca" (weak signalling) — uma violação das condições de não-sinalização onde as probabilidades marginais de um resultado de uma parte dependem das configurações de medição escolhidas pelas outras partes. Isso ocorre mesmo em experimentos sem brechas (loophole-free) devido ao ruído de amostra finita ou subotimalidades experimentais, como derivas (drifts) e randomização imperfeita.

O uso direto dessas distribuições de frequência empíricas de sinalização fraca em protocolos independentes de dispositivo (ex: geração de aleatoriedade, distribuição de chaves ou certificação de emaranhamento) pode levar a interpretações enganosas. Especificamente, uma desigualdade de Bell pode ser reescrita em múltiplas formas algebricamente equivalentes para distribuições de não-sinalização. No entanto, para uma distribuição de sinalização fraca, essas formas "equivalentes" podem produzir valores distintos: uma forma pode satisfazer a desigualdade enquanto outra a viola. Essa ambiguidade complica a avaliação da nãolocalidade e a confiabilidade de aplicações independentes de dispositivo.

Metodologia
Os autores propõem uma etapa de pré-processamento onde o vetor de frequência empírica $f$ é projetado no subespaço afim $\mathcal{A}$ do politopo de não-sinalização $\mathcal{P}_{NS}$ usando a norma $L_2$ (distância euclidiana). Diferente da Estimativa de Máxima Verossimilhança (ML), que requer a resolução de um problema de otimização convexa iterativo sem uma solução de forma fechada, a projeção $L_2$ oferece uma abordagem geométrica direta.

O núcleo da metodologia baseia-se na estrutura das restrições de igualdade linear que definem $\mathcal{A}$ (normalização e condições de não-sinalização). Os autores analisam o núcleo da matriz de restrição $A_{eq}$ e identificam um conjunto específico de vetores de base: os Correladores Marginais Uniformemente Médios (UMC).

1. Definição de UMC: Para um subconjunto de partes $I$ e suas configurações $x_I$, o UMC é definido pela média uniforme dos correladores marginais padrão sobre todas as configurações possíveis das $n-|I|$ partes restantes.
2. Pertencimento ao Núcleo: Os autores provam que os vetores de coeficientes correspondentes a esses UMCs residem inteiramente no núcleo de $A_{eq}$.
3. Invariância: Como os vetores UMC estão no núcleo, a projeção $L_2$ preserva o valor de qualquer funcional linear expresso nesta base. Isto é, para qualquer comportamento $p$, o valor do funcional UMC é idêntico para $p$ e sua projeção $\Pi_{\mathcal{A}}(p)$.

Principais Contribuições e Resultados

• Forma Canônica para Desigualdades de Bell: Os autores demonstram que qualquer desigualdade de Bell linear no cenário $(n, m, 2)$ pode ser reescrita em uma "forma canônica" usando correladores totais e UMCs. Uma vez que esses termos são invariantes sob a projeção $L_2$, o valor da expressão de Bell permanece inalterado, quer seja avaliado nos dados brutos de sinalização fraca ou na aproximação de não-sinalização projetada. Isso elimina a ambiguidade de escolher entre formas equivalentes de desigualdade.
• Fórmula de Projeção de Forma Fechada: Ao aproveitar a esparsidade da matriz de restrição e as propriedades de base dos UMCs, os autores derivam uma fórmula de forma fechada computacionalmente eficiente para a projeção. A projeção é decomposta em uma sequência de três mapas lineares simples:
  1. Mapear frequências empícas para correladores brutos.
  2. Realizar a média uniforme desses correladores sobre configurações não envolvidas para obter UMCs.
  3. Reconstruir a distribuição de probabilidade a partir dos UMCs.
     Esta abordagem evita a construção computacionalmente cara de projetores densos ou a inversão de grandes matrizes de Gram exigida pelos métodos de projeção afim padrão.
• Limites de Amostra Finita: O artigo fornece um limite baseado em Hoeffding/McDiarmid sobre a probabilidade de a distribuição projetada conter probabilidades negativas (uma impossibilidade física). O limite mostra que, para tamanhos de amostra suficientemente grandes e probabilidades subjacentes estritamente positivas, a probabilidade de entradas negativas é desprezível.
• Generalização para Normas Ponderadas: O arcabouço é estendido para projeções $L_2$ ponderadas, onde diferentes configurações de medição são amostradas com probabilidades desiguais (comum em QKD independente de dispositivo). Os autores mostram que, embora os UMCs uniformes não sejam invariantes sob projeção ponderada, um conjunto correspondente de correladores de média ponderada retém a invariância, permitindo um procedimento de canonicalização semelhante.

Significância e Alegações
O artigo afirma que esta formulação invariante à projeção fornece uma métrica robusta e padronizada para a nãolocalidade, sendo insensível a artefatos específicos de dados finitos ou derivas experimentais leves. Ao isolar a violação atribuível estritamente à nãolocalidade de não-sinalização, a forma canônica serve como uma linha de base confiável para comparar resultados entre diferentes experimentos e aplicações.

Os autores enfatizam que este método é particularmente vantajoso para tarefas independentes de dispositivo onde o desempenho ótimo depende de estimativas pontuais precisas da distribuição de ensaios. O fluxo de trabalho proposto — projetar os dados para o subespaço afim de não-sinalização e então avaliar a expressão de Bell canônica — garante que o valor de Bell relatado reflita a estrutura nãolocal subjacente, em vez de ruído residual de sinalização. O método é apresentado como uma alternativa computacionalmente mais simples e estável à estimativa ML iterativa, particularmente para cenários com números crescentes de partes e configurações.