⚛️ quantum physics

Bounding Classical and Quantum Correlations in Bayesian Networks with Quasiprobabilities

本文研究了贝叶斯网络的拟概率模型，证明了它们可以为一类广泛的网络生成所有无信号相关性，并利用与张量网络分解的联系，推测这一“拟集”可以恢复嵌套马尔可夫模型。

原作者： Paul Becsi, Matty J. Hoban

发布于 2026-06-23

📖 1 分钟阅读🧠 深度阅读

原作者： Paul Becsi, Matty J. Hoban

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心图景：隐藏连接之谜

想象你是一名侦探，正试图弄清楚一群人是如何相互联系的。你可以看到他们的言行（观测节点），但你无法看到他们互相传递的私密笔记或他们遵循的秘密规则（潜在/未观测节点）。

在科学世界中，我们使用“贝叶斯网络”（本质上就是一种高级流程图）来绘制这些因果关系图。通常情况下，我们假设一切都遵循标准概率的规则：事情发生的概率在 0% 到 100% 之间。不可能出现“负 50% 可能性”的情况。

然而，量子物理学（管理原子和光线的规则）有时会打破这些规则。它允许一些经典逻辑无法解释的“诡异”连接。科学家们一直试图在我们的日常世界（经典世界）与量子世界所能实现的可能性之间画出一条界限。

问题所在：量子谜题过于复杂

作者指出，弄清楚一个量子网络究竟能做什么是非常困难的。这就像是在尝试解开一个墙壁不断移动的迷宫。所有可能的量子行为集合是混乱、复杂且在数学上“不可判定”的（这意味着没有简单的公式可以检查某种特定的行为是否可能发生）。

由于量子谜题如此困难，科学家经常寻找“外层近似”。这就像是在一个复杂且崎岖的岛屿周围画一个巨大的、简单的圆圈。这个圆圈并不是岛屿本身，但它告诉你岛屿一定在圆圈之内。如果你能证明某个东西在圆圈之外，你就知道它不在岛上。

解决方案：引入“拟概率”（魔法墨水）

作者提出了一种绘制这个“圆圈”的新方法。他们引入了**拟概率（Quasiprobabilities）**的概念。

想象你有一张标准的概率图，其中的每个数字都必须是正数（0 到 1）。现在，想象你拥有一种魔法墨水，允许你在地图上写下负数。

普通概率： “有 50% 的概率下雨。”
拟概率： “有 -20% 的概率下雨。”

在现实世界中，负降雨是没有意义的。但在这种数学模型中，允许这些“负概率”（其总和仍为 100%）创造了一个更大、更灵活的可能性集合。作者称之为**“拟集”（Quasi Set）**。

主要发现：使用魔法墨水的两种方式

论文证明了关于这种魔法墨水的一个令人惊讶的事实。你可以通过两种不同的方式使用它，而它们会导致完全相同的输出结果：

魔法隐藏变量： 你可以让秘密笔记（隐藏变量）是用魔法墨水书写的（负概率）。
魔法规则： 你可以让将这些笔记转化为行动的规则（响应函数）是用魔法墨水书写的。

作者表明，无论你选择让哪一个变得“神奇”都无所谓。如果你允许隐藏笔记或规则使用负数，你会得到完全相同的可能结果范围。这是一种“对偶性”，就像从正面或背面观察一枚硬币——它们是同一枚硬币。

宏大的猜想：完美的地图

作者提出了一个大胆的猜想（Conjecture）：
他们认为，如果你允许使用这种魔法墨水（拟概率），你的“拟集”将恰好等于被称为**嵌套马尔可夫模型（Nested Markov Model）**的东西。

嵌套马尔可夫模型是一个非常严格、有序的数学结构，它描述了网络必须遵循的所有逻辑规则，忽略了通常让事情变得复杂的那些混乱的“不等式约束”。
该主张： 通过允许负概率，你剥离了所有混乱的“不等式”规则。剩下的则是一个干净、有序的结构，它完美地匹配了嵌套马尔可夫模型。

如果这是真的，这意味着“拟集”是量子相关性的一个完美、简单的外层边界。它表明，经典相关性和量子相关性之所以存在“不等式”约束（例如著名的贝尔不等式），仅仅是因为我们被迫使用正数。如果我们允许使用负数，这些约束就会消失。

证明：树状结构与纠缠的线

作者无法证明这对每一个可能的网络都成立，但他们证明了对于一种非常常见的网络类型——树状结构相关场景（Tree-Structured Correlation Scenario）。

类比： 想象一个家族谱，父母是隐藏的，而孩子们是可见的人。如果这个家族谱没有环路（没有人是自己的祖先），那么它就是一棵“树”。
工具： 为了证明他们在树状网络中的观点，作者使用了来自计算机科学和物理学的工具——张量网络（Tensor Networks）。
- 把张量网络想象成一种解开绳结的方法。
- 他们展示了这些树状网络中的任何行为模式都可以被“解开”，并可以用他们的魔法墨水（拟概率）来表示。
- 这证明了对于树状网络，其“拟集”与“嵌套马尔可夫模型”确实是完全一致的。

总结

目标： 寻找一种简单的方法来描述网络中量子相关性的极限。
技巧： 允许概率为负数（拟概率）。
结果： 这个技巧创造了一个“拟集”，它在数学上与一个干净、有序的结构（嵌套马尔可夫模型）是完全等同的（至少对于树状网络而言）。
含义： 区分经典世界和量子世界的复杂“不等式”，可能仅仅是因为我们被迫使用正数而产生的人为产物。如果我们允许使用负数，边界就会变得更加简单且可预测。

这篇论文本质上是在说：“如果你让你的数学可以使用负数，那么量子网络的混乱谜题就会变成一个整洁、可解的模式。”

技术摘要：利用拟概率论界定贝叶斯网络中的经典与量子相关性

问题陈述
研究具有潜变量（不可观测变量）的贝叶斯网络（有向无环图或 DAG）中的相关性，是因果推断和量子基础理论的核心。一个主要的挑战在于刻画“经典集合” $\mathcal{C}(G)$ ，即由给定因果结构 $G$ 所一致的所有观测概率分布的集合。虽然经典集合是半代数（semialgebraic）的（由多项式等式和不等式定义），但由于复杂的不等式约束，其刻画过程极其困难。

与此同时，“量子集合” $\mathcal{Q}(G)$ （代表通过量子资源可实现的相关性）更为复杂；它不是有限的多胞形，不是封闭的，且在一般情况下是不可判定的。研究人员通常寻求“外近似”（outer approximations）来界定这些集合。在二分贝尔场景（一种特定的 DAG）中有一个已知结果：允许潜变量遵循“拟概率分布”（sum 为 1 但可能取负值的分布）可以恢复出所有的无信号相关性（non-signaling correlations）。本文研究了这一结果是否能推广到任意贝叶斯网络，并探讨了“拟集”（quasi set）与“嵌套马尔可夫模型”（nested Markov model） $\mathcal{N}(G)$ （一种对经典集合的可行代数近似）之间的关系。

方法论
作者结合了因果建模、拟概率分析和张量网络理论。

拟概率模型： 本文定义了三种等价的“拟边缘集”（quasimarginal set） $\mathcal{W}(G)$ 的表述形式，其中观测分布是关于全分布（该分布在图上进行因子分解）的边缘分布，但放宽了正定性约束：
- 拟潜变量 ( $\mathcal{W}_l$ )： 潜变量遵循拟分布，而响应函数（观测节点的条件概率）保持非负。
- 拟响应 ( $\mathcal{W}_r$ )： 响应函数遵循拟分布，而潜变量保持非负。
- 拟噪声 ( $\mathcal{W}_n$ )： 观测节点由依赖于经典潜变量和独立“噪声”变量的确定性响应函数建模，其中噪声变量遵循拟分布。
图简化： 作者利用经典因果关系中的结果（例如潜变量的外生化、冗余变量的消除）来证明这些简化步骤对于拟概率模型同样成立，从而允许他们在不失一般性的情况下假设使用“简化后”的图。
张量网络分解： 为了证明针对特定图结构的数学猜想，作者将问题映射到张量网络。他们将观测概率分布视为高阶张量，并利用因果结构与底层无向图（其中边表示共享的潜父节点）之间的对应关系。他们利用了关于树形结构最小张量分解存在性的定理。

主要贡献与结果

拟概率定义的等价性： 本文证明了定理 4，确立了对于任何 DAG $G$ ，集合 $\mathcal{W}_l(G)$ 、 $\mathcal{W}_r(G)$ 和 $\mathcal{W}_n(G)$ 是恒等的。这展示了一种对偶性：允许潜变量具有负值，在数学上等同于允许响应函数（或噪声）具有负值，这对于实现非负的观测分布集合而言是等效的。
包含于嵌套马尔可夫模型： 作者证明了命题 6，即 $\mathcal{W}(G) \subseteq \mathcal{N}(G)$ 。由于嵌套马尔可夫模型纯粹由因子分解约束（多项式等式）定义而不要求正定性，因此任何通过拟概率进行因子分解的分布（满足归一化但不满足正定性）都必须满足嵌套马尔可夫约束。
关于等价性的猜想： 本文提出了猜想 1：对于任何 DAG $G$ ， $\mathcal{W}(G) = \mathcal{N}(G)$ 。这将意味着拟集恰好是满足所有多项式等式约束（即嵌套马尔可夫模型）的分布集合，且经典和量子集合中的不等式约束仅源于概率的非负性要求。
树形结构相关场景（TCS）的证明： 作者为相关场景的子类——即底层无向图（由共享潜父节点的观测节点连接而成）为树形的场景——提供了对猜想 1 的严格证明。
- 他们证明了任何普通马尔可夫模型（对于 TCS 而言等于嵌套马尔可夫模型）都可以分解为张量网络。
- 通过分析该分解的最小键维数（minimal bond dimensions），他们构造了一个能够重现该分布的拟概率潜变量模型，从而证明了对于 TCS 而言 $\mathcal{M}(G) \subseteq \mathcal{W}(G)$ 。结合通用的包含关系 $\mathcal{W}(G) \subseteq \mathcal{N}(G)$ ，这确立了对于 TCS 而言 $\mathcal{W}(G) = \mathcal{N}(G)$ 。

意义与主张
本文声称其工作将已知在贝尔场景中“拟概率恢复无信号相关性”的结果推广到了更广泛的网络类别。

不等式约束的特征化： 如果猜想 1 成立，它为经典和量子因果模型中的不等式约束提供了一种结构性的解释。作者认为，这些不等式并非因果结构或因子分解准则本身固有的，而是概率非负性约束的产物。在放宽了正定性的“拟集”中，这些不等式消失了，只剩下嵌套马尔可夫模型的代数（等式）约束。
广义概率理论（GPT）的表达能力： 结果表明，一个允许潜变量（或响应函数）取任意实值的理论（一种非自由 GPT）足以生成所有嵌套马尔可夫相关性。这与标准的 GPT（如量子理论）形成对比，后者已知不足以生成所有的嵌套马尔可夫相关性（例如在三角形场景中）。
与张量网络的联系： 该工作强调了因果推断与张量网络分解之间的新颖联系，表明张量的秩（在底层无向图的语境下）对应于拟概率模型中所需的最小潜变量规模。

作者对一般情况保持审慎，指出虽然他们已经证明了该猜想在树形结构场景下的成立，并提供了三角形场景的证明（见附录），但对于任意 DAG 的完整证明仍是一个开放的研究方向。他们建议“膨胀技术”（Inflation Technique）可能是实现一般性证明的一条可行路径，尽管目前缺乏支持拟概率完全膨胀性的德·芬内蒂定理（de Finetti theorem）。