A semi-definite programming formulation of the device-dependent guessing probability

本文引入了一种半正定规划公式，用于精确估计在完全表征的制备-测量量子装置中内在随机性及对手的猜测概率，证明了其确定精确可认证随机性的能力，并揭示了纠缠会严格增加对手的预测能力。

要点

想象一下你正在主持一场魔术表演，你从帽子里变出了一只兔子。在量子世界中，这个“兔子”是通过测量一个微小粒子而产生的随机数。核心问题在于：这只兔子的随机性究竟有多高？ 是否有一位狡猾的魔术师（对手名为“伊芙/Eve”）在魔术发生之前，就已经通过暗箱操作或在帽子里动了手脚，从而预知了即将出来的结果？

这篇论文介绍了一种全新的、强大的数学工具，用来回答针对最简单的量子魔术技巧（被称为“制备-测量”设置）的这个问题。

以下是使用简单类比对该论文研究结果的解读：

1. 问题所在：“黑箱”之谜

在现实世界中，我们的量子设备（帽子和兔子）并不完美。它们带有噪声，就像一台带有静电干扰的收音机。

• 设置： 爱丽丝（诚实的用户）拥有一个设备，该设备负责制备特定的量子态（兔子）并对其进行测量（把兔子拉出来）。她知道设备应该如何运作。
• 威胁： 伊芙（黑客）可能掌握着比爱丽丝更多的信息。她可能拥有一份秘密的“作弊清单”，或者与设备存在某种隐藏的连接，从而让她能够猜中结果。
• 难度： 直到目前，计算伊芙究竟能猜中多少，就像是在试图解开一个形状不断变化的迷宫。此前并没有一种通用的、简便的方法来找到答案，尤其是在设备存在噪声的情况下。

2. 解决方案：一个“神奇计算器”（半正定规划）

作者创建了一种新的数学配方，称为半正定规划 (SDP) 公式。

• 类比： 想象你在寻找一片雾气缭绕的山脉中的最高点。以前，你只能靠猜测向上爬，并且可能会困在一个小山谷里，误以为那里就是顶峰。新的 SDP 方法就像一架无人机，它可以俯瞰整片山脉，并立即告诉你确切的最高峰在哪里。
• 作用： 它将混乱、多噪的量子设备现实转化为一个清晰、可解的数学问题。这使得科学家能够计算出在保证不受伊芙威胁的前提下，所能实现的确切随机性量级，而不是仅仅给出一个“最佳猜测”的上界。

3. 他们的发现（三种测试）

作者通过三种不同的场景测试了他们的“计算器”如何运作：

• 测试 A：噪声之镜
  他们观察了一个兔子和帽子都被“静电干扰”（去极化噪声）覆盖的场景。

  • 结果： 他们的计算器证实，之前关于该设置随机性的数学猜测实际上是完美的。它证明了旧的猜测确实是绝对极限。

• 测试 B：泄漏的探测器
  他们观察了一个探测器（拉出兔子的那只手）有时会表现得懒散或效率低下的设置。

  • 结果： 以前的方法假设“泄漏”是以一种特定的、简单的方式发生的。新的计算器显示，如果伊芙足够聪明，利用更复杂的“泄漏”方式，她能比旧方法预测得更准。这意味着之前的随机性评估过于乐观（高估了安全性）。

• 测试 C：多结果魔术
  他们观察了一个设备可以产生多种不同结果的魔术（比如不仅能变出兔子，还能变出鸽子或鸽蛋）。

  • 结果： 此前的理论声称，如果你完全信任测量设备，你可以产生无限的随机性。但新的计算器显示，如果允许伊芙与测量设备存在秘密连接，一旦结果选项超过 3 或 4 个，“无限随机性”就会消失。这种安全性其实是一种由于假设设备完全隔离而产生的幻象。

4. 大惊喜：纠缠是超级力量

最有趣的发现是关于纠缠（粒子间的一种幽灵般的联系）的。

• 旧有的假设： 许多安全模型假设制备状态的设备和测量设备是分离的，且仅共享“经典”信息（比如通过电话通话）。
• 新发现： 作者证明了，如果制备设备和测量设备是纠缠的（通过量子魔力相连），伊芙猜中结果的能力会严格增加。
• 类比： 想象两个间谍试图猜出一个秘密代码。如果他们只是通过电话交流（经典相关性），他们可能 90% 的时间能猜中。但如果他们共享一种“心灵感应”连接（纠缠），他们就能 91% 的时间猜中。即使是这微小的 1% 的差异，在涉及高风险的安全领域也至关重要。这是最简单的案例，展示了这种量子连接如何赋予黑客不公平的优势。

总结

这篇论文为我们提供了一把更好、更诚实的尺子，来衡量量子随机性。它表明：

1. 我们现在可以计算简单量子随机数生成器的确切安全性。
2. 之前的研究方法由于假设设备比实际情况更简单或更孤立，往往高估了安全性。
3. 如果设备之间存在量子连接（纠缠），黑客的力量就会增强，这意味着我们在构建这些设备时需要更加谨慎。

作者甚至已经公开了他们的“计算器”代码，以便他人使用它来测试自己的量子设备。

技术摘要

技术摘要：设备依赖型猜测概率的半正定规划表述

问题陈述
在量子力学中，测量非观测量本征态所产生的内在随机性是量子随机数生成器（QRNG）的一种基本资源。虽然最简单的 QRNG 场景涉及一个完全表征（设备依赖型）的准备-测量（PM）装置——其中已知状态 $\rho_S$ 被已知的正算符值测度（POVM）$\{M^a_S\}$ 进行测量——但量化精确的可认证随机性仍然具有挑战性。

标准的随机性操作指标是条件最小熵 $H_{\min}(A|E)$，它源于对手（Eve）在拥有量子侧信息的情况下，猜测测量结果的最大概率（$P_{\text{guess}}$）。在设备依赖型场景中，假设 Eve 持有测量扩张（measurement dilation）中系统与任何辅助系统联合态的纯化态。正如先前的工作 [4] 所指出的，计算该猜测概率涉及一个关于所有可能的 Naimark 扩张以及 Eve 可能与设备共享的所有相关性的非凸优化问题。此前不存在通用的计算程序来精确解决这一非凸问题，这往往迫使研究人员依赖于上界或限制性假设（例如，假设准备设备与测量设备之间不存在纠缠）。

方法论
作者通过证明设备依赖型猜测概率可以被重新表述为一个半正定规划（SDP），从而解决了这一计算空白。

1. 优化的重新表述： 作者从 $P_{\text{guess}}$ 的定义出发，将其视为对系统-辅助空间上的投影测量（PVMs）$\{\Pi^a_{SM}\}$ 及其 Eve 测量结果的极大化。通过引入以 Eve 结果为条件的亚归一化态，该问题被重构为涉及非交换多项式的形式。
2. SDP 构建： 利用来自 [5, 13] 的技术，作者相对于系统希尔伯特空间的直交基，将投影测量 $\{\Pi^a_{SM}\}$ 表示为块形式。这允许定义广义矩矩阵 $\Gamma_e$。
3. 线性约束： 目标函数和物理约束（与已知状态 $\rho_S$、已知 POVM $\{M^a_S\}$ 以及投影性和完备性的兼容性）都被表示为矩矩阵系数的线性函数。
4. 完备性： 作者证明（定理 1）该 SDP 松弛不仅是一个上界，而且提供了对猜测概率的完整表征。具体而言，该 SDP 的任何可行解都对应于原始非凸问题的有效物理解，从而确保了 SDP 能够给出精确的最大猜测概率。

关键结果与应用
本文将该 SDP 表述应用于三个特定场景，以基准测试该方法并确定此前仅已知界限的精确随机性数值：

1. 去极化态与测量： 作者分析了一个量子比特态和测量过程均受到去极化噪声影响的装置。SDP 的结果与 [6] 中推导的解析下界相匹配，证实了该解析界限是紧致的，且 SDP 正确识别了精确的可认证随机性量。
2. 去极化态与低效探测器： 通过重新审视 Berta 和 Brandão [7] 为量子计算机提出的方案，作者将使用特定固定扩张（如 [7] 中所述）估算的随机性，与其 SDP 提供的无限制优化结果进行了比较。他们发现，固定扩张会导致对内在随机性的轻微高估，这证明了优化所有可能扩张的必要性。
3. 非表征态与等角测量： 作者研究了一个源-设备无关方案 [8]，在该方案中，状态是未表征的，但测量是一个受信任的、等角的 $k$-结果 POVM。虽然 [8] 在假设测量受信任的前提下声称对于 $k > 3$ 可以提取无界随机性，但作者表明，如果允许 Eve 与测量设备相关联（即测量并非完全受信任），则对于 $k=4$，可认证随机性会消失。这突显了测量信任假设的关键影响。

纠缠与预测能力
本文的一个重要理论贡献是证明了状态准备设备与测量设备之间的纠缠会严格增加 Eve 的预测能力。

• 作者对比了猜测概率 $P_{\text{guess}}$（允许包括系统与测量寄存器之间存在纠缠在内的任意相关性）与 $P^{\text{sep}}_{\text{guess}}$（约束为系统与测量寄存器之间为可分态）。
• 通过一个特定的量子比特态和二元测量，他们展示了 $P_{\text{guess}} > P^{\text{sep}}_{\text{guess}}$。
• 这一结果意味着，假设准备设备与测量设备之间不存在纠缠（这是某些框架中的常见简化）会导致对生成的随机性的高估，即使是在涉及单个量子比特和二元测量的最简单场景中也是如此。

意义与主张
本文声称提供了第一个通用的、计算友好的方法，用于在不依赖非凸优化启发式算法或关于设备相关性的限制性假设的情况下，估计设备依赖型 PM 设置中的内在随机性。

• 认证： SDP 允许在仅有上界可用的场景下，精确确定可认证的随机性。
• 基本洞察： 该工作确立了纠缠辅助作为一种资源，能够增强对手预测结果的能力，这种后果即使在简单的二元测量场景中也是可以观察到的。
• 实际效用： 该方法作为一个通用工具，用于为受噪声影响的现实量子设备认证随机性，为最简单的设备依赖型 QRNG 提供了严谨的方案。

作者总结道，其表述推进了对存在量子侧信息情况下的随机性生成的理解，并为未来的随机性认证协议提供了一个稳健的框架。