Generalized Reimpell-Werner Iteration

技术摘要：广义 Reimpell–Werner 迭代

问题陈述
量子信息协议高度依赖于优化测量和信道，以提取、编码和传输信息。关键任务包括最小误差状态判别、纠缠保真度优化、量子资源量化（如相干性和虚性）以及局部能量提取。这些问题自然地构造成半正定规划（SDP），涉及在满足偏迹约束的半正定（PSD）矩阵上的线性目标函数。

虽然标准的 SDP 求解器可以逼近全局最优解，但其计算成本随希尔伯特空间维度的增加而迅速恶化。迭代方法，例如用于测量的 Ježek–Řeháček–Fiurášek (JRF) 迭代和用于信道的 Reimpell–Werner (RW) 迭代，通过利用这些约束的特定代数结构，提供了一种更具实际意义的替代方案。然而，现有方法对于这些迭代的收敛性保证存在局限性：

1. 范围： 原始的 RW 迭代受限于正半定（PSD）代价矩阵。许多量子任务（如局部能量提取或某些博弈论基准）涉及具有正负特征值的厄米特（Hermitian）代价矩阵。
2. 收敛性： 虽然目标值的单调性已得到确立，但对于高秩初始化的全局收敛性仍是一个开放问题，特别是对于处理混合态系综的 JRF 迭代。以往的结果通常需要特定的初始化条件（例如，线性无关的纯态系综），或者依赖于稳定性测试和随机扰动来避免非最优不动点。

方法论
作者提出了一种广义 Reimpell–Werner (RW) 迭代，将原始框架扩展到任意厄米特代价矩阵及偏迹不等式约束下。

• 平移与松弛项表述： 为了处理不定（非 PSD）代价矩阵 $C$，作者引入了一个标量平移量 $s \geq 0$ 和一个松弛矩阵 $S \succeq 0$。他们定义了一个平移后的代价矩阵 $\tilde{C} = C + sI_{AB}$，并将约束 $\text{tr}_A X \preceq D$ 改写为等式 $\text{tr}_A X + S = D$（假设归一化 $D=I_B$）。这种增广确保了平移后的目标函数与原问题等价，同时允许使用 PSD 更新规则。
• 迭代更新： 广义迭代通过涉及平移代价矩阵和归一化算子 $Y^{(k)}$ 的合同变换，同时更新原变量 $X$ 和松弛变量 $S$。更新规则为：
  $$Y^{(k)} := \left[ \text{tr}_A(\tilde{C} X^{(k)} \tilde{C}) + s^2 S^{(k)} \right]^{1/2}$$
  $$X^{(k+1)} := (I_A \otimes Y^{(k)})^{-1} \tilde{C} X^{(k)} \tilde{C} (I_A \otimes Y^{(k)})^{-1}$$
  $$S^{(k+1)} := s^2 (Y^{(k)})^{-1} S^{(k)} (Y^{(k)})^{-1}$$
• 支撑条件： 收敛性分析依赖于初始化时特定的“支撑重叠”条件。具体而言，初始种子对 $(X^{(0)}, S^{(0)})$ 的核（kernel）与平移代价矩阵及平移项的支撑（support）的交集必须是平凡的。该条件由任何正定初始化满足，并允许在特定条件下使用奇异种子。
• 几何框架： 证明过程通过一种重塑技术（Penrose 图）将迭代映射到实解析流形（Stiefel 流形）上的梯度上升。这使得应用 Łojasiewicz 梯度不等式来建立收敛性成为可能。

核心贡献与结果

1. 向厄米特代价矩阵的推广： 本文成功地将 RW 迭代推广到处理任意厄米特代价矩阵，从而统一了处理不定目标（如能量提取）的任务与标准 PSD 任务（如状态判别）的处理方式。
2. 全局收敛定理： 作者证明，只要初始化满足显式的支撑条件，迭代就会收敛到全局最优解。这解决了关于 JRF 迭代在适当初始化下对于任意混合态系综是否具有全局收敛性的开放问题。
   • 极限对 $(X^{(\infty)}, S^{(\infty)})$ 实现最优原变量值。
   • 极限归一化算子决定了归一化问题的唯一对偶优化解。
   • 对偶间隙在不动点处闭合。
3. 迭代复杂度界限： 本文量化了收敛速率。对于固定问题和可容许的初始化：
   • 目标间隙： $O(1/\varepsilon)$ 次迭代足以使目标值进入最优值的 $\varepsilon$ 范围内。在最佳情况下（例如对角代价矩阵），该复杂度提升至 $O(\log(1/\varepsilon))$。
   • 证书与矩阵误差： 文中还建立了对偶证书间隙和到最优矩阵的 Frobenius 距离的界限，显示出对 $\theta \in [1/2, 1)$ 的 Łojasiewicz 指数的类似依赖关系。
4. 特例化：
   • 当 $s=0$ 且 $C \succeq 0$ 时，该方法退化为原始的 RW 迭代。
   • JRF 迭代被证明是广义 RW 迭代的一个分块对角特例。
   • 该框架涵盖的应用包括纠缠保真度优化、状态判别/排除、相干性鲁棒性和局部能量提取。

意义与主张
本文声称为 Reimpell–Werner 和 JRF 迭代提供了严谨的基础，超越了经验观察或受限的收敛性证明。通过在显式的、可验证的支撑条件下建立全局收敛性，这项工作扩大了这些高效迭代方法可以应用的优化问题类别。

作者强调，他们的方法避免了在处理大规模线性系统时遇到的计算开销（如 Clarabel 等内点法）或锥投影（如 SCS）的负担。数值模拟（图 1）表明，随着系统维度的增加，广义 RW 和 JRF 实现的运行时间中位数显著低于标准 SDP 求解器，特别是在状态判别和纠缠保真度任务中。

该工作并不声称能解决除偏迹之外的一般线性约束，并指出张量结构对于其归一化方案是必不可少的。此外，虽然收敛性是有保证的，但具体的速率（线性还是亚线性）取决于问题的几何特性，某些构造出的案例表现出多项式收敛而非几何收敛。