Detecting bipartite entanglement with PnCP maps and non-negative polynomials

本文提出了一种通过非平方和多项式生成正非完全正（PnCP）映射的数值鲁棒算法实现，证明了其理论上的唯一性，以及相比现有判据在检测PPT纠缠态方面更优越的能力。

要点

大局观：寻找“隐形”的胶水

想象你有两个盒子。有时，这些盒子的内容物只是并排摆放的两个独立物体（比如一个盒子里是一只袜子，另一个盒子里是一只鞋）。我们称之为可分（separable）。但有时，这些内容物以一种违背常规物理定律的方式神奇地联系在一起；无论相隔多远，一只袜子的变化都会瞬间影响到那只鞋。这就是纠缠（entanglement）。

科学家面临的问题是：我们如何区分它们？
对于简单的盒子，我们有简单的测试方法。但对于更复杂的盒子（具体来说是 3x3 维度的），存在一些“诡异”的状态，它们在我们的标准测试中看起来是可分的，但实际上是纠缠的。它们就像是隐藏在众目睽睽之下的“幽灵”。

旧工具 vs. 新工具

长期以来，科学家使用一种叫做**部分转置（Partial Transpose）**的工具（可以把它想象成一种特定的镜子）。如果你在镜子里看这个状态且它看起来是“破碎的”（负值），你就知道它是纠缠的。但如果它看起来“正常”（正值），镜子就会说：“我不知道，它可能是可分的。”

然而，上述的“幽灵”状态通过了镜子测试。它们看起来是正值的，所以镜子无法捕捉到它们。

本文作者引入了一种基于正非完全正（PnCP）映射的新型、更灵敏的工具。

• 类比： 想象你有一个筛子（过滤器），它能抓住大石头，但会让沙子流过去。旧的镜子测试就像是一个孔径很大的筛子；它能捕捉到明显的纠缠态，但会让那些“幽灵”状态溜走。
• 新的 PnCP 映射就像是一个网眼更细的筛子。它们是专门设计的数学工具，旨在捕捉那些旧镜子会漏掉的“幽灵”状态。

他们是如何构建这个新工具的

作者并非凭空猜测如何构建这个新筛子。他们利用了两个不同世界之间的巧妙联系：量子物理学与多项式（含有变量如 $x$ 和 $y$ 的数学方程）。

1. 数学技巧： 他们研究了一种特定类型的数学方程（多项式），这种方程始终是正的（永不低于零），但无法通过简单地将其他方程的平方相加来构建。在数学中，这些是稀有且特殊的“非平方和（non-sum-of-squares）”多项式。
2. 翻译： 他们使用了一个数学“翻译器”（同构）将这些特殊的、棘手的多项式转化为所需的量子“筛子”（PnCP 映射），从而捕捉纠缠态。
3. 代码： 他们编写了一个计算机程序（可在 GitHub 上获取），用于自动生成这些多项式并将其转化为工作的量子检测器。他们还添加了一个特殊的“安全检查”，以确保计算机不会产生会导致结果出错的微小计算误差。

他们的发现

作者使用他们的探测器对 2,000 个棘手的“幽灵”状态（PPT 纠缠态）库进行了测试。结果如下：

• 旧卫兵失败了： 当他们将这些状态通过标准的、广为人知的测试（如“重组/Realignment”判据或“协方差矩阵/Covariance Matrix”测试）时，98.3% 的情况下，测试都判定“这些是安全的/可分的”。这些测试漏掉了纠缠。
• 新工具成功了： 他们的新 PnCP 映射成功检测到了这些状态中的纠缠。
• “幽灵”本质： 作者发现这些新映射非常灵敏。它们紧贴着有效检测器数学“锥（cone）”的边缘。这意味着它们非常擅长寻找特定的“幽灵”状态，但也很脆弱。如果加入一点噪声（比如无线电中的静电噪声），它们可能会停止工作。它们追求精准，而非鲁棒性。

检测器的“家族”

论文还发现了关于这些工具如何运作的一个有趣现象。

• 通常，一个映射产生一个特定的检测器（就像一束单一的手电筒光束）。
• 作者表明，你实际上可以通过稍微改变光束的角度，从单个映射中创造出一整个家族的检测器。
• 通过测试许多不同的角度（使用不同的“施密特秩/Schmidt rank”状态），他们可以找到一个比标准“Choi”检测器更能清晰捕捉纠缠态的更好角度。

他们没有声称的事项

需要注意的是，本文并未声称：

• 他们并未声称这是一种面向工程师的日常实用工具。其数学逻辑非常复杂，且检测器对噪声很脆弱。
• 他们并未声称这能瞬间解决寻找所有情况下的纠缠问题。论文承认寻找这些状态在计算上是极难的（NP-hard）。
• 他们并未建议使用机器学习来针对特定状态“训练”这些映射。他们分析了算法并发现，过程中的随机选择不会发生平滑变化，这意味着简单的“学习”方法无法轻易奏效。

总结

简而言之，作者构建了一个高度专业化的数学“网”，用来捕捉一种特定的、一直躲避着我们现有最佳网络捕捉的量子纠缠。他们在数学上证明了这个网是有效的，展示了它能捕捉到其他网络漏掉的状态，并公开了代码以便他人尝试。然而，这张网非常脆弱，位于数学规则的边缘，这意味着它是一项强大的理论发现，而非一种坚固、即插即用的工业工具。

技术摘要

技术摘要：利用 PnCP 映射与非负多项式检测双体纠缠

1. 问题陈述

纠缠态的表征（即可分性问题）是量子信息理论中的一个核心挑战。虽然正部分转置（PPT）判据在低维系统（特别是 $2 \times 2$ 和 $2 \times 3$）中提供了可分性的充分必要条件，但在高维系统中，它无法检测出“绑定纠缠”（PPT 纠缠）态。尽管存在完整的判别层级（例如基于半正定规划的 Doherty-Parrilo-Spedalieri 或 DPS 层级），但其计算成本呈指数级增长，使得在许多应用中难以实现。

正但非完全正（PnCP）映射是纠缠检测的另一种对偶工具：当且仅当存在 PnCP 映射 $\Lambda$ 使得 $(\mathbb{I} \otimes \Lambda)(\rho)$ 不是正半定时，状态 $\rho$ 是纠缠的。然而，构建新的、有效的 PnCP 映射是非常困难的。近期的理论工作建立了 PnCP 映射与非平方和（non-SOS）正多项式之间的联系。虽然已有算法（KSMZ）被提出用于生成此类映射，但之前的实现版本存在数值不稳定性，导致纠缠检测出现假阳性。

2. 方法论

2.1 理论框架

本文依赖于以下同构关系：

1. 正映射与多项式： KSMZ 同构将线性映射 $\Phi: S_n(\mathbb{R}) \to S_m(\mathbb{R})$ 映射到二重次数为 $(2,2)$ 的双齐次多项式。当且仅当关联的多项式在乘积向量上是非负的时，该映射是正的。
2. 完全正性与 SOS： 当且仅当其关联的多项式允许平方和（SOS）分解时，该映射是完全正（CP）的。
3. 不可分解性与 Non-RSOS： 当且仅当其关联的厄米多项式不是实平方和（RSOS）时，该映射是不可分解的（能够检测 PPT 纠缠态）。

作者利用 DPS 层级（针对状态）与 SOS 层级（针对多项式）之间的对偶性来对生成的映射进行分类。

2.2 算法实现

作者在 MATLAB 中实现了 KSMZ 算法（出自 [1]），并将其发布在 GitHub 上。该算法通过以下两个步骤构建正的非 SOS 多项式：

1. 商环构造： 该算法在商环 $\mathbb{R}[z]/I_{n,m}$ 中运行，其中 $I_{n,m}$ 编码了秩一约束（Segre 簇）。它在 Segre 簇上选择随机点，并构造一个在这些点处消失的基础 SOS 项 $H(z)$。
2. 扰动： 它添加了一个扰动项 $f(z)$，该项在预设点处二阶消失，但位于定义 $H$ 的线性形式之乘积所构成的空间之外。这确保了生成的多项式 $q_\delta = H + \delta f$ 在 Segre 簇上是非负的，但在商环中不是 SOS。
3. 拉回（Pullback）： 该多项式被拉回到双二次形式 $p(x,y)$，这对应于一个 PnCP 映射。

2.3 数值鲁棒性

实现中的一个关键贡献是引入了一种新的数值测试以保证正性。先前的实现（例如 [29]）受到数值精度问题的困扰，导致生成的映射并非严格正。作者：

• 使用 Lasserre 层级来计算多项式值的全局下界。
• 利用了对于非常数双齐次多项式，其下确界要么是 $0$要么是$-\infty$ 的性质。
• 仅保留计算出的下界为非负的多项式，从而确保生成的映射是严格正的。

2.4 纠缠见证器 (EWs)

为了在优化（SDP）中应用这些映射，作者通过 Choi-Jamiołkowski 同构将 PnCP 映射转换为纠缠见证器。他们进一步提出了一种方法，通过考虑由伴随映射 $\Phi^\dagger$ 作用于具有最大 Schmidt 秩的向量 $|\eta\rangle$ 所得到的族见证器 $\{W_{\Phi, \eta}\}$, 来恢复映射的完整检测能力，而不是仅仅依赖于标准的 Choi 见证器。

3. 核心贡献

1. 鲁棒实现： 提供了一个数值稳定的 KSMZ 算法实现，该实现可以过滤掉假阳性，提供可靠的 PnCP 映射库。
2. 理论特征化：
   • 不可分解性： 作者通过解析证明了算法生成的映射是不可分解的。这是通过证明其关联的厄米多项式不是 RSOS 来实现的，这意味着它们可以检测 PPT 纠缠态。
   • 边界位置： 他们证明了这些映射位于正映射锥的边界上，这解释了它们对噪声的敏感性。
   • 不等价性： 这些映射被证明与广义 Choi 映射和 Breuer-Hall 映射等已知族是不等价的。具体而言，KSMZ 映射在其实对称核心部分缺乏反对称部分，这种结构上的差异使其无法与这些其他映射等价。
3. 见证器优化： 论文展示了单个 PnCP 映射会产生一个见证器族。通过对向量 $|\eta\rangle$ 的选择进行优化（特别是具有最大 Schmidt 秩的向量），可以提高检测能力（违反幅度）相比于标准的 Choi 见证器。

4. 结果

• PPT 态检测： 在 $3 \times 3$ 系统上的数值实验表明，KSMZ 映射可以检测出标准判据（PPT、重排矩阵、协方差矩阵）所遗漏的 PPT 纠缠态。
• 与 QETLAB 的比较： 在使用 QETLAB 包中的 IsSeparable 函数（该函数实现了 19 个判据的层级）进行测试时，KSMZ 见证器检测到了 IsSeparable 未能分类的纠缠态（具体而言，其数据集中 98.3% 的最大违反态未被标准判据检测到）。
• 违反幅度： PPT 态的检测在幅度上是“微弱”的。PPT 裕度（在 PPT 态上的负期望值）通常在 $10^{-6}$ 到 $10^{-8}$ 量级。这表明见证器非常接近可分解锥，与其在正锥边界上的理论位置一致。
• 不等价性验证： 作者验证了 KSMZ 映射检测到了部分转置判据遗漏的态，反之亦然，即部分转置检测到了 KSMZ 映射（在特定配置下）可能无法检测到的 NPT 态，从而证实了它们是不同的工具。
• 优化影响： 使用见证器族（通过优化可逆矩阵 $A$）提高了某些映射的违反幅度（例如，从 $-5.02 \times 10^{-8}$ 提高到 $-1.37 \times 10^{-7}$），尽管这种提升在所有映射中并不统一。

5. 重要性与主张

本文声称提供了一种基于从正非 SOS 多项式构造 PnCP 映射的新型鲁棒判据。

• 理论洞察： 它阐明了多项式、映射与算符之间在几何与代数上的关系，特别是确立了 KSMZ 构造产生的是在结构上不同于著名的 Choi 和 Breuer-Hall 映射的不可分解映射。
• 实际效用： 作者认为，虽然这些映射对 PPT 态的检测在数值上是脆弱的（由于靠近可分解边界），但它们提供了检测特定 PPT 纠缠态的独特能力，而这些态是其他标准判据无法检测到的。
• 局限性： 作者对扩展性和鲁棒性保持审慎。他们指出，由于这些映射靠近可分解锥，其检测能力受限于数值稳定性，因此对噪声较为敏感。此外，他们明确指出，随机生成并应用这些映射并不构成针对未知态的多项式时间可分的解，因为生成过程本身对于目标态不是连续的，这阻碍了机器学习方法的应用。
• 未来工作： 论文建议将构建的映射库集成到现有的工具（如 IsSeparable）中，作为一种额外的、不等价的测试。他们还提出未来的工作包括为 KSMZ 映射添加反对称部分，以期创造出新的 PnCP 映射类。

总之，这项工作通过将多项式优化与量子信息相结合，提供了一种经过数值验证的方法来生成一类新的纠缠见证器，从而扩展了在标准判据失效的维度下检测绑定纠缠的工具箱。