Quantum randomness beyond projective measurements

想象一下，你试图生成一个 truly 随机的数字，就像抛硬币或掷骰子一样，但你希望绝对确保没有任何其他人（即使是拥有量子计算机的超级黑客）能在结果产生之前预测它。在量子物理世界中，这是可能的，因为自然本身从根本上就是不可预测的。

这篇由 Fionnuala Curran 撰写的论文探讨了我们可以从不同类型的量子测量中榨取多少“真正”的随机性。将量子测量想象成一台机器，它接收一个量子态（一个粒子），然后吐出一个数字。目标是找到最佳的机器设置，以获得尽可能不可预测的数字。

以下是使用日常类比对该论文主要思想的分解：

1. 设置：不可预测的硬币

在经典物理中，如果你确切知道硬币是如何被抛出的，你就可以预测它是正面还是反面。而在量子物理中，即使你对设置了解得再透彻，结果仍然是一个谜。这被称为内在随机性。

然而，并非所有量子“机器”（测量）都是平等的。有些是“极值”的，意味着它们是最基本的机器类型，无法被分解为更简单的随机混合。论文问道：这些基本机器中，哪一种能给我们最多的随机性？

2. “偏斜”的骰子：作弊获胜

作者首先介绍了一类他们称为**“偏斜 SIC"测量**的新测量家族。

类比：想象一个标准骰子，每个数字（1 到 6）出现的概率相等。那是一个“公平”的骰子。但如果你有一个特殊的、略微弯曲的骰子，它通常落在 1 上，但如果你以正确的方式滚动它，它就会变得完全公平呢？
发现：这些“偏斜”测量被设计成：如果你向它们输入特定类型的量子态（“纯”态），它们就会产生完全均匀、随机的结果。更棒的是，只要存在某种特定类型的测量（称为 SIC），它们就能在任何大小的量子系统（任何维度）中做到这一点。这解决了一个关于如何在设备依赖的设置中获得最大可能随机性（2 log d 比特）的谜题。

3. “无偏”的骰子：公平游戏

接下来，论文研究了**“无偏”测量**。这些机器是：如果你向它们输入一个完全随机的“垃圾”态，每个结果出现的可能性都是相等的。

类比：想象一个四面体（一个有四个三角形面的金字塔）漂浮在太空中。这个金字塔的角代表测量的可能结果。
发现：作者发现了一个简单的规则：你获得的随机性数量取决于你的起始量子态距离这个金字塔中心有多近。
- 如果你的态正好在中间，你获得的随机性较少。
- 如果你的态离得远，你获得的随机性更多。
- 他们精确计算了在二维系统（一个量子比特，或量子位）中，对于任何态你能获得多少随机性。

4. "SIC"与“剪刀”

论文比较了这两种特定类型的金字塔形测量：

SIC（对称信息完备）测量：这是一个“完美”的金字塔。所有面都相同，它是绘制（层析成像）量子态外观的最佳工具。
- 意外发现：尽管 SIC 在测量态方面是最棒的，但作者发现它在无偏测量中生成随机性方面实际上是最差的。它具有“最少”的内在随机性。这就像一把非常精确的尺子，却极不擅长生成随机数。
“剪刀”测量：作者发明了一类新的测量，称为“剪刀”。
- 类比：想象金字塔的面就像一把剪刀的刀片。你可以通过改变单个角度来打开或关闭刀片。
- 发现：当你“合上”剪刀（改变角度）时，测量变得不那么“公平”（有偏），但它越来越接近生成最大可能数量的随机性。
- 他们表明，在维度 2、3 和 4 中，你可以调节这些“剪刀”测量，以获得几乎理论上可能的最大随机性，甚至不需要过度偏置结果。

5. 大局观

这篇论文本质上描绘了量子随机性的全景图：

偏斜测量：如果你知道起始态，它们可以给你绝对最大的随机性。
无偏测量（如“剪刀”家族）：可以在不需要偏置结果的情况下，让你非常接近那个最大值。
著名的SIC 测量：虽然在其他任务中很出色，但在无偏测量中，它实际上是“最随机性”的。

总结

将这篇论文想象成一位想要建造最不可预测老虎机的赌场老板的指南。

他们找到了一种方法，可以建造一台“偏斜”机器，为特定玩家提供完美的随机性。
他们分析了“公平”机器，发现最对称、看起来最完美的机器（SIC）实际上是最不随机的。
他们设计了一种新的“剪刀”机器，可以调节到几乎完全随机，证明你不需要打破规则（偏置机器）就能获得最佳随机性；你只需要正确调节角度即可。

论文最后通过完全解决二维系统的数学问题，并提供了如何使用这些新的“剪刀”工具在更高维度实现最大随机性的路线图，得出了结论。

技术摘要：超越投影测量的量子随机性

问题陈述
量子测量的内在不可预测性是量子随机数生成（QRNG）的一项基本资源。在对抗性场景中，这种随机性的安全性依赖于窃听者（Eve）无法正确猜测测量结果，即使她可能与测量装置持有量子或经典关联。虽然已知极值测量（即不能分解为其他测量概率混合的测量）对此类对手是安全的，但一个具体的量化问题仍未解决：给定的极值测量究竟能产生多少内在随机性？

先前的工作已确立，在维度 $d$ 中可实现的最大条件极小熵（一种随机性度量）受限于 $2 \log d$ 比特。然而，针对特定类别的极值测量（特别是不偏测量）在任意输入态下所产生的随机性特征，其研究仍不完整。本文旨在填补对无偏极值秩一正算子值测度（POVM）内在随机性理解的空白，并探讨特定测量族是否能达到 $2 \log d$ 比特的理论最大值。

方法论
作者在设备依赖框架下工作，假设量子态 $\rho$ 和 POVM $M$ 均已完全表征。内在随机性通过条件极小熵进行量化，即 $H_{\min}(\rho, M) = -\log P_{\text{guess}}(\rho, M)$ ，其中 $P_{\text{guess}}$ 是窃听者的最优猜测概率。该概率定义为将态 $\rho$ 分解为纯态 $\{p_j, \rho_j\}$ 的所有概率分解中的最大值：
$P_{\text{guess}}(\rho, M) = \max_{\{p_j, \rho_j\}} \sum_j p_j \text{tr}(\rho_j M_j).$

本文运用了多种数学工具：

凸几何与保真度：作者将猜测概率与输入态和测量投影算子凸包之间的量子保真度联系起来。
半定规划（SDP）：利用 SDP 对偶性和 Karush-Kuhn-Tucker (KKT) 条件，对态区分和猜测概率相关的优化问题进行建模和求解。
布洛赫矢量表示：对于量子比特系统（ $d=2$ ），分析利用布洛赫矢量符号显式参数化无偏极值测量并求解最优态。
群协变性与对称性：研究利用对称信息完备（SIC）测量的性质，并引入了由此衍生的新测量族。

主要贡献与结果

1. 偏斜 SIC 测量与最大随机性
作者引入了一类“偏斜”SIC POVM。与标准 SIC 不同（标准 SIC 是无偏的，并从最大混合态产生均匀分布），偏斜 SIC 是有偏的。然而，这种偏差使它们能够从特定的纯态或各向同性噪声态产生均匀概率分布。

结果：作者证明，在任何存在 SIC 测量的维度 $d$ 中，都可以构建一种偏斜 SIC 测量，使其从任何纯态或各向同性噪声态产生最大可能的内在随机性（ $2 \log d$ 比特）。
意义：这部分解决了一个关于在源设备无关设置中实现最大随机性的开放性问题，因为这些测量是信息完备的（MICs）。

2. 一般维度下的无偏极值测量
对于维度 $d$ 中具有 $n$ 个结果的任意无偏极值秩一 POVM，作者推导出了猜测概率的通用公式：
$P_{\text{guess}}(\rho, M) = \frac{d}{n} \max_{\sigma \in \mathcal{P}} F(\rho, \sigma),$
其中 $\mathcal{P}$ 是测量投影算子的凸包， $F$ 是量子保真度。

下界：这导出了一个与态无关的条件极小熵下界，即 $\log(n/d)$ 比特。
严格性：作者证明，对于具有 $n < d^2$ 个结果的无偏极值测量，猜测概率严格大于 $1/d^2$ ，这意味着若不使结果有偏或使用 $d^2$ 个结果，则无法达到 $2 \log d$ 比特的最大界限。

3. 量子比特（ $d=2$ ）测量的显式解
本文对无偏极值量子比特测量（具有 2、3 或 4 个结果）进行了完整表征。

参数化：所有无偏极值量子比特 MIC（4 个结果）均被证明是群协变的，并可用两个角度 $\delta$ 和 $\alpha$ 描述。
最优态：作者确定了针对任意给定的无偏量子比特 MIC 最小化猜测概率的特定纯态。这些态被发现是测量矢量所构成的四面体面的法线。
SIC 与其他：提出了一个反直觉的结果：在所有四个结果的无偏极值量子比特测量中，SIC 测量（对量子态层析成像最优）产生的内在随机性最少。它具有最高的猜测概率（ $P_{\text{guess}} = \frac{1}{4}(1+l)$ ，其中 $l$ 对 SIC 取最大值）。

4. “剪刀”测量族
为了在不使结果有偏（这将需要非极值或偏斜测量）的情况下逼近 $2 \log d$ 比特的最大随机性界限，作者引入了一参数族的“剪刀”测量。

量子比特：在维度 2 中，在通用参数化中设置 $\alpha=0$ 可得到由 $\delta$ 参数化的一族测量。当 $\delta \to 0$ 时，测量趋近于非极值极限，且特定噪声态的猜测概率趋近于理论最大值。
高维：作者将此概念推广到维度 3 和 4。他们定义了一族无偏 MIC（对 $d=3$ 使用 Weyl-Heisenberg 算子，对 $d=4$ 使用特定推广），其中包含一个作为参数空间特定点的 SIC 测量。当参数趋近于极限值时，测量趋近于一种非极值态，该态可产生任意接近 $2 \log d$ 比特的随机性。

意义与主张
本文声称显式地解决了在维度二中对任意态表征无偏极值秩一测量内在随机性的问题。它确立了虽然 SIC 测量对层析成像是最优的，但在无偏 MIC 中，它们对产生内在随机性而言是次优的。

主要的理论贡献在于证明：只要利用所提出的偏斜 SIC 测量，在任何存在 SIC 的维度中，都可以设备依赖地生成最大随机性（ $2 \log d$ 比特）。此外，“剪刀”族提供了一条利用无偏测量逼近此最大随机性的途径，弥合了极值与非极值策略之间的差距。由于所讨论测量的信息完备性，这些结果适用于源设备无关场景。

作者谦逊地总结道，尽管他们已经表征了这些测量，但高维“类剪刀”族是否适用于设备无关随机数生成，以及这些结果如何转化为涉及噪声的现实场景，仍然是未解决的问题。